Embed Size (px)
Citation preview
Université de Montréal
L’incidence de l’utilisation de
l’ordinateur à des fins personnelles sur
la motivation et l’engagement scolaire
par
Normand Roy
Département de psychopédagogie et d’andragogie
Faculté des sciences de l’éducation
Thèse présentée
en vue de l’obtention du grade de Philosophiae Doctor (Ph. D.)
en psychopédagogie et andragogie
© Normand Roy, 2011
Université de Montréal
Faculté des études supérieures
Cette thèse est intitulée :
L’incidence de l’utilisation de l’ordinateur à des fins
personnelles sur la motivation et l’engagement scolaire
Présentée par :
Normand Roy
a été évaluée par un jury composé des personnes suivantes :
François Bowen, président-rapporteur
Roch Chouinard, directeur de recherche
Thierry Karsenti, membre du jury
Renée-Marie Fountain, examinatrice externe
Jean-Marie Van der Maren, représentant de la doyenne
iii
Résumé
Le but du présent projet de thèse est d’étudier le lien entre les habitudes à l’endroit des
technologies de l’information et de la communication (TIC) et la motivation à
apprendre. Bien que l’utilisation de l’ordinateur en contexte scolaire ait été étudiée en
profondeur au cours des dernières années, la majorité des études présentent la même
perspective : elles examinent l’effet de l’utilisation des technologies à l’école sur le
rendement et la motivation scolaire des élèves. Cependant, on connaît mal l’effet de
l’utilisation des technologies à des fins personnelles sur le vécu scolaire. Il apparait que
les élèves n’ont pas tous les mêmes opportunités en ce qui a trait à l’utilisation des TIC
et n’acquièrent donc pas tous les mêmes compétences dans ce domaine.
Quelques recherches se sont intéressées aux effets de l’ordinateur (sa présence et son
utilisation à la maison) sur le rendement à l’école. Bien qu’en majorité, les auteurs
s’entendent sur les bénéfices que pourrait générer l’ordinateur, ils restent prudents sur
les rapports de cause à effet (Beltran, Das et Fairlie, 2008; OCDE, 2006). Nous avons
voulu aborder la question différemment : déterminer les possibles liens entre les
habitudes d’utilisation de l’ordinateur à des fins personnelles et la motivation à
apprendre à l’école. À cet égard, la motivation pour les sciences a été retenue puisque
cette matière scolaire fait souvent appel à des compétences associées à l’utilisation des
TIC.
Pour répondre à nos objectifs, 331 élèves du cours ordinaire de sciences et technologie
au premier cycle du secondaire ont remplis un questionnaire autorapporté, composé de
sept échelles motivationnelles et d’un questionnaire lié à l’utilisation des TIC. Nous
iv
avons d’abord dégagé des profils d’utilisateurs à partir des différentes utilisations de
l’ordinateur. Ensuite, nous avons examiné ces profils en lien avec leurs caractéristiques
motivationnelles (le sentiment de compétence, l’anxiété, l’intérêt et les buts
d’accomplissement) et l’engagement pour le cours de sciences. Finalement, nous avons
déterminé la valeur prédictive de l’utilisation de l’ordinateur sur les variables
motivationnelles retenues.
Nos résultats montrent que l’utilisation personnelle des TIC ne se fait pas
nécessairement au détriment de l’école. Nous avons trouvé que les élèves qui utilisent
davantage les TIC dans leurs temps libres, et ce, avec des utilisations diversifiées, ont
des caractéristiques motivationnelles plus positives. Toutefois, nous constatons que le
type d’usage est lié à un effet médiateur positif ou négatif sur la motivation à apprendre.
Les élèves qui limitent leurs utilisations de l’ordinateur à la communication et aux jeux
ont des caractéristiques motivationnelles plus négatives que ceux avec des utilisations
variées. Les usages centrés sur la communication semblent être ceux qui sont le plus
susceptibles d’être liés négativement à la motivation à apprendre alors que ceux orientés
vers les usages à caractère intellectuel s’avèrent plus positifs.
Les résultats suggèrent que la clé ne réside pas dans le temps d'utilisation mais plutôt
dans l'utilisation judicieuse de ce temps. En favorisant des usages à caractère
intellectuel, tout en laissant des temps libres aux jeunes, nous augmentons leurs chances
de développer de bonnes habitudes technologiques qui seront essentielles dans la société
de demain.
Mots-clés : Motivation à apprendre, TIC, habitudes personnelles avec les technologies.
v
Abstract
This thesis’ subject was to study the relationship between the personal uses of computers
and motivational attitudes in science. Even though computer uses in educational context
have been extensively studied in recent years, the bulk of the research was focused on
describing the impact of computer activities and utilizations at school on achievement
and motivation in different subject matter. However, little is known about the impact of
personal uses of computer on school experience. Moreover, despite an increase of
households with computers, not every child has the same opportunity to use them. These
children do not develop their computer literacy outside school, and this phenomenon
could have an effect on academic related tasks.
Some studies have focused on the effect of computers (their presence and use) on
academic performance. Although they are unanimous about the positive impact of
computers, researchers remain cautious in their conclusions (Beltran et al., 2008; OCDE,
2006). They stress that a direct cause to effect relation is not easy to establish. Moreover,
those studies mainly examined school achievement. We wanted to address the issue
differently: to determine the relation between personal computer uses and motivation at
school. For this purpose, motivation in sciences was chosen. This subject matter often
requires skills associated with ICT and computers.
To do so, 331 students from public high schools in the Montreal area, in the regular
sciences classes in 7th and 8th grade were selected. They completed a questionnaire
composed of 7 motivational scales and several ICT usages questions. To meet our
objectives, we established ICT profiles, based on personal uses of computer. With those
vi
profiles, we examined differences within motivational characteristics (competence
beliefs, anxiety, interest and achievement goals) and commitment for the sciences
courses.
Our results show that time spent on personal computer use does not necessarily have a
negative impact on school. We found that students who frequently use computers in
their spare time, with a variety of usage, have more positive motivational characteristics.
However, by delving deeper in our results, we found that the type of uses could be
linked to positive or negative inducing effects on the motivation to learn. Indeed,
students who use computers mostly for communication and playing games have less
motivation that student with more various usages. Moreover, communication uses seem
to be the most problematic type of usage while uses with intellectual nature have a more
positive effect.
Our study found that having a computer at home is not a synonym of frequent usage by
young people. Our results suggest that the key to motivational success is the use made of
the time spent in front of the computer not only the time spent. By encouraging uses of
intellectual nature, we increase chances of developing positive technological habits that
will be essential in tomorrow’s society.
Keywords: Motivation, information and communication technology (ICT), personal uses
of computer
vii
Table des matières
Résumé ......................................................................................................................... iii
Abstract .......................................................................................................................... v
Table des matières ....................................................................................................... vii
Liste des figures ............................................................................................................. x
Liste des tableaux .......................................................................................................... xi
Liste des sigles, des acronymes et des abréviations .................................................... xii
Introduction .................................................................................................................. 13
Chapitre 1. Problématique de recherche .......................................................................... 16
1.1 La réussite scolaire, l’engagement et la motivation ............................................... 17
1.2 Les technologies de l’information et de la communication ................................... 19
1.2.1 Description de la situation technologique ....................................................... 19
1.2.2 L’utilisation personnelle de l’ordinateur et la compétence technologique ..... 22
1.3 Objectif général ...................................................................................................... 24
Chapitre 2. Contexte théorique et recension des écrits .................................................... 26
2.1 L’engagement ......................................................................................................... 26
2.2 La motivation ......................................................................................................... 27
2.2.1 Les déterminants internes de la motivation ..................................................... 30
2.2.1.1 Les perceptions de soi .............................................................................. 30
2.2.1.2 L’intérêt et la valeur accordée à la tâche .................................................. 33
2.2.1.3 Les buts d’accomplissement .................................................................... 34
2.3 L’utilisation des TIC en général ............................................................................. 37
2.3.1 L’utilisation des TIC à des fins scolaires ........................................................ 39
viii
2.3.1.1 L’incidence de l’utilisation scolaire des TIC sur l’apprentissage et le
rendement ............................................................................................................. 40
2.3.1.2 L’incidence de l’utilisation scolaire des TIC sur la motivation et
l’engagement ........................................................................................................ 44
2.3.1.3 Les types d’utilisation .............................................................................. 47
2.3.2 L’incidence de l’utilisation des TIC à des fins personnelles........................... 52
2.3.2.1 Les profils d’utilisateurs ........................................................................... 58
2.4 La présente étude.................................................................................................... 61
Chapitre 3. Méthodologie ................................................................................................ 65
3.1 Participants ............................................................................................................. 65
3.2 Instrument .............................................................................................................. 65
3.2.1 La motivation à apprendre en sciences ........................................................... 66
3.2.2 Les habitudes technologiques ......................................................................... 67
3.3 Collecte des données .............................................................................................. 68
3.4 Plan d'analyse ......................................................................................................... 68
3.5 Validation des instruments de mesure.................................................................... 72
3.5.1 Analyses factorielles exploratoires ................................................................. 73
3.5.2 Analyses de consistance interne ...................................................................... 77
3.6 Vérification des postulats d’analyse ...................................................................... 78
Chapitre 4. Les résultats ................................................................................................... 80
4.1 Analyses descriptives ............................................................................................. 80
4.2 Les profils technologiques des utilisateurs ............................................................ 83
4.3 La motivation à apprendre selon les profils technologiques .................................. 87
ix
4.4 La valeur prédictive de l’utilisation des technologies sur la motivation et
l’engagement ................................................................................................................ 89
4.4.1 Le modèle de la motivation à apprendre avec trois types de buts ............... 90
4.4.2 Validité et fidélité des facteurs .................................................................... 91
4.4.3 Résultat des modèles par équations structurantes ....................................... 92
Chapitre 5. Discussion et conclusion de recherche .......................................................... 99
5.1 Les types d’utilisateur : trois profils technologiques distincts ......................... 102
5.2 Les « technophiles », des élèves motivés en sciences ...................................... 107
5.3 Jouer, parler ou réfléchir avec l’ordinateur, tous équivalents? ........................ 111
5.4 La conclusion ................................................................................................... 116
5.4.1 Contributions de l’étude aux connaissances scientifiques et pratiques
professorales ....................................................................................................... 117
5.4.2 Limites ...................................................................................................... 119
5.4.3 Recherches futures .................................................................................... 122
Références ...................................................................................................................... 125
Annexe I : Formulaire éthique ....................................................................................... xiii
Annexe II : Consentement parental ................................................................................. xiv
Annexe III : Dictionnaire des variables ........................................................................... xv
Annexe IV : Questionnaire sur les habitudes technologiques ..................................... xviii
x
Liste des figures
Figure 1: Dynamique motivationnelle selon l’approche sociocognitive .......................... 29
Figure 2 : Modèle des relations TIC – motivation - engagement .................................... 62
Figure 3 : Les profils typologiques .................................................................................. 85
Figure 4 : Modèle de base ................................................................................................ 93
Figure 5 : Modèle final .................................................................................................... 97
xi
Liste des tableaux
Tableau I : Matrice factorielle de type du premier groupe de variables (sentiment de
compétence et anxiété en sciences) .......................................................................... 74
Tableau II : Matrice factorielle de type du deuxième groupe de variables (buts de
maîtrise-approche, buts de performance-approche, buts d’évitement du travail) .... 76
Tableau III : Matrice factorielle du troisième groupe (intérêt en sciences et engagement
en sciences) .............................................................................................................. 77
Tableau IV : Analyse de fiabilité ..................................................................................... 78
Tableau V : Moyenne et écart-types des échelles motivationnelles ................................ 81
Tableau VI : Tableau des corrélations ............................................................................. 82
Tableau VII : Composition des profils selon le sexe ....................................................... 86
Tableau VIII : Tests des effets inter-sujets (modèle Sexe * Profil) ................................. 88
Tableau IX : Analyses factorielles selon l'utilisation personnelle des technologies ........ 90
Tableau X : Validité et fidélité des facteurs ..................................................................... 92
Tableau XI : Comparaison des différents modèles .......................................................... 94
Tableau XII : Liens directs, indirects et totaux standardisés ........................................... 98
xii
Liste des sigles, des acronymes et des abréviations
AVE Average variance extracted
BECTA British Educational Communications and Technology Agency
CEO Corporate Europe Observatory
CFI Comparative fit index
CR Construct reliability
FQRSC Fonds québécois de la recherche sur la société et la culture
GFI Goodness of fit index
IFI Incremential fit index
NCES National Center for Education Statistics
OCDE Organisation de coopération et de développement économiques
PISA Programme for International Student Assessment
RESCOL Réseau scolaire canadien
RMSEA Root mean square error of approximation
TIC Technologie de l’information et de la communication
13
Introduction
Cette thèse propose d’examiner le lien entre l’utilisation des technologies de
l’information et de la communication (TIC) et la motivation à apprendre. Plus
exactement, nous vérifierons s’il existe des relations entre l’utilisation à des fins
personnelles des TIC et le vécu scolaire des élèves. La nouvelle génération de jeunes vit
avec un ordinateur à la maison, mais il n’est pas toujours aussi accessible à l’école. On
remarque de plus en plus l’intérêt – mais aussi les inquiétudes – des médias en ce qui
concerne les différentes initiatives et études à propos de l’utilisation des technologies.
Dans le passé, les médias ont soulevé des questionnements quant à la pertinence
d’intégrer les technologies à l’école :
« Or l'école (primaire de surcroît) devrait résister à ce mouvement motivé par une redoutable tendance à l'uniformisation, et d'autant plus que nous ne connaissons même pas les effets à long terme de cette introduction précipitée de l'informatique dans le monde de l'enfance. » (Loiselle, 2002)
Récemment, on a rapporté que les jeunes passaient trop de temps devant l’écran et que
l’ordinateur nuisait à la santé et à leur vécu scolaire (Agences QMI, 2011). En janvier
dernier, on titrait dans certains journaux : « Nos écoles en retard » ou « En retard pas à
peu près » (Charette, 2011; Ménard, 2011b). Ces articles reflètent l’inquiétude face au
bassin informatique dans les écoles. À l’opposé, d’autres articles rapportaient que les
écoles qui ont intégré complètement l’ordinateur portable dans leurs classes notent des
résultats impressionnants concernant la motivation et l’intérêt des élèves (des Rivières,
2011; Ménard, 2011a). Peut-on vraiment croire qu’on peut faire fi des technologies dans
le système éducatif, alors que près d’un adulte sur deux âgé entre 16 et 25 ans passe une
14
heure ou plus par jour devant l’ordinateur (Veenhof, Clermont et Sciadas, 2005). Qui
plus est, 84 % des jeunes américains âgés entre 8 et 18 ans ont accès à Internet à la
maison (Rideout, Foehr et Roberts, 2010). Ces chiffres ne sont qu’un aperçu de
l’importance de l’ordinateur dans les foyers. Nous y reviendrons en détail plus loin. De
notre côté, nous sommes plutôt intéressés à voir comment la présence et l’utilisation de
l’ordinateur dans les foyers risquent de changer les attitudes et les comportements, tout
particulièrement la motivation à apprendre et l’engagement des élèves dans un contexte
scolaire. La motivation nous semble être une piste plus intéressante que le rendement
seulement, car elle considère un plus grand éventail de caractéristiques de l’élève. La
motivation de l’élève, qui est souvent liée directement à la performance et au décrochage
scolaire, permettra d’intensifier l’effort et l’énergie fournis, d’augmenter l’engagement
et la persistance et d’enrichir les processus cognitifs utilisés.
Le premier chapitre présentera la problématique de recherche. Après un aperçu de l’état
de la réussite scolaire et de la diplomation des élèves au Québec, nous examinerons les
différents déterminants de la réussite, et tout particulièrement la motivation à apprendre
et l’engagement. Ensuite, nous élaborerons davantage sur les différentes pratiques
pédagogiques favorisant la motivation et leurs liens avec les technologies. Notre intérêt
porte tout particulièrement sur l’utilisation des TIC comme moyen pouvant favoriser la
motivation. Nous discuterons de la situation technologique des écoles, de l’utilisation
par les jeunes des technologies et de l’incidence de ces technologies sur la motivation et
l’engagement, ce qui nous emmènera à proposer notre objectif général de recherche.
15
Au deuxième chapitre, nous exposerons en détail les différents éléments présents dans la
problématique : l’engagement, la motivation et l’utilisation des technologies dans les
différents contextes, et tout particulièrement leur effet sur la motivation. Nous
présenterons l’approche préconisée pour évaluer la motivation à apprendre pour cette
recherche : l’approche sociocognitive. Ensuite, nous décrirons les différentes variables
motivationnelles retenues pour la présente étude. Pour conclure le chapitre, nous
détaillerons les objectifs spécifiques de l’étude.
Dans le troisième chapitre, nous présenterons la méthodologie utilisée pour répondre aux
objectifs de la recherche, l’échantillon retenu, les considérations éthiques et les analyses
préconisées. Nous y développerons les échelles utilisées en présentant les analyses
factorielles et les indices de fiabilité des échelles. Nous commenterons les items retenus
dans l’élaboration des échelles finales. Le quatrième chapitre présentera les résultats
obtenus selon les différents types d’analyses sous forme de tableaux et de figures. Nous
présenterons les résultats des trois objectifs retenus pour l’étude. Finalement, le
cinquième et dernier chapitre portera sur la discussion des résultats, nos conclusions, les
retombées, les limites ainsi que la portée de notre recherche.
Chapitre 1. Problématique de recherche
Durant la courte période de l’enfance à l’adolescence, les jeunes passent par plusieurs
moments critiques de leur vie qui forgeront leur future identité. Ces moments se vivront
dans toutes les sphères de leurs vies, autant à la maison qu’à l’école, qu’avec leurs amis.
La recherche tente d’explorer ces différentes sphères pour mieux comprendre ces
moments critiques et leurs liens avec les conditions de succès dans la vie. Puisque que
l’on passe une grande partie de notre vie au travail, nous considérons souvent la carrière
comme l’un des indicateurs de la réussite dans la vie. Dans la société du 21e siècle, la
porte d’entrée à l’emploi passe par l’éducation, et ce, dans la grande majorité des
domaines. De ce fait, l’obtention d’un diplôme au secondaire devient essentielle pour
l’accession au marché du travail. Cependant, nous constatons que la complétion des
études secondaires n’est pas toujours chose facile et, qui plus est, le taux de diplomation
ne s’améliore pas avec les années (Bowlby et McMullen, 2002; Lafond, 2008; Lapointe,
Archambault et Chouinard, 2008).
Au Québec, on retrouve environ 25 % des élèves laissent leurs études avant d’obtenir un
diplôme. Ce chiffre grimpe à 32 % dans la région de Montréal (Sévigny, 2006). Ce taux
de décrochage est alarmant et bien au-delà du taux national visé de 15 % ou moins
(Lapointe et al., 2008). Que ce soit à cause d’échecs répétés, d’une migration hâtive vers
le milieu du travail ou d’un manque d’intérêt, plusieurs facteurs incitent nos jeunes à
décrocher de l’école.
Dans les études secondaires ou postsecondaires, la situation des garçons est beaucoup
moins reluisante que celle des filles. Avec un taux de diplomation d’environ 75 % contre
17
89 % chez les filles (Lapointe et al., 2008) et un rendement moyen plus faible que celui
des filles, les garçons semblent avoir plus de difficulté à réussir à l’école, ou l’école
semble à court d’idées pour s’adapter à la réalité des garçons!
Cela dit, l’engagement et la persévérance sont des éléments centraux de la réussite
scolaire. La motivation à apprendre est, selon certains auteurs, un élément clé de
l’engagement et de la persévérance (Barbeau, Montini et Roy, 1997; Brophy, 2004;
Eccles, Wigfield et Schiefele, 1998; Pintrich et Schrauben, 1992). Ainsi, mieux
comprendre les facteurs qui exercent leur influence sur la motivation pourrait nous aider
à augmenter les chances de succès des élèves à l’école.
1.1 La réussite scolaire, l’engagement et la motivation
Du latin « movere » qui veut dire mouvement, la motivation est souvent un précurseur
de changement, d’initiative et d’engagement dans la tâche. Peu importe la circonstance,
la motivation poussera l’humain à vouloir atteindre ses objectifs et à se surpasser. À
l’école, cela se reflète par la persévérance dans les études et les travaux, l’intérêt dans les
différentes matières scolaires, et en définitive, par la réussite scolaire. La motivation à
apprendre est représentée par une dynamique complexe entre des variables inhérentes à
l’élève, à la classe, à l’école, aux interactions enseignants-élèves, à l’environnement
social et à la famille. Mais comment la motivation à apprendre influence-t-elle la
réussite scolaire des élèves? Une augmentation de la motivation à apprendre se traduit
par un comportement positif de l’élève à s’engager dans la tâche, à prendre plaisir à faire
l’activité et à aimer avoir du succès sur le plan scolaire (Covington et Müeller, 2001).
Par conséquent, l’un des buts premiers de l’enseignant sera de favoriser l’engagement,
18
en œuvrant sur les variables de la motivation, et ainsi augmenter les chances de réussite
et de succès de l’élève (Archambault et Chouinard, 2003; Brophy, 2004; Pintrich et
Schrauben, 1992; Viau, 1994).
Il est possible de classer en trois grandes catégories les différents facteurs qui favorisent
la réussite scolaire : les facteurs familiaux et sociaux, les facteurs scolaires et les facteurs
personnels. Sur le plan familial, le soutien du père et de la mère joue un rôle important
dans la réussite chez les jeunes (Eccles et Jacobs, 1986; Grolnick, Gurland, Jacob et
Decourcey, 2002; Wigfield et Eccles, 1992). Sur le plan scolaire, l’environnement de
l’école, l’arrangement des classes et les pratiques pédagogiques de l’enseignant
contribueront également aux succès des élèves (Brophy, 2004; Eccles, Adler et Meece,
1984; Miller, Sen et Malley, 2007). Sur le plan personnel, les facteurs sont ceux
directement liés à l’élève comme l’âge, le sexe, les antécédents de l’élève, ses habiletés
et sa motivation à apprendre.
Plusieurs éléments peuvent favoriser et augmenter la motivation à apprendre : proposer
des choix dans la tâche, donner des responsabilités aux élèves, changer des éléments de
l’environnement scolaire, permettre à l’élève de se sentir valoriser dans la tâche, fournir
de la rétroaction, utiliser un type d’évaluation approprié, démontrer des attentes élevées
face aux chances de succès des élèves, utiliser des programmes variés et changer le
matériel pédagogique (Archambault et Chouinard, 2003; Brophy, 2004; Eccles et
Wigfield, 2002; Eccles et al., 1998; Maerh, 1989). En ce sens, les pratiques
pédagogiques utilisées par l’enseignant jouent également un rôle important sur la
motivation : l’apprentissage par projet, l’exposé magistral, étude de cas, les simulations,
19
l’utilisation des technologies, etc. Notre intérêt se situe principalement sur cette dernière
pratique pédagogique. En effet, depuis quelques années, les technologies de
l’information et de la communication (TIC) deviennent un élément central du système
éducatif (Depover, Karsenti et Komis, 2007; OCDE, 2001), et pourrait, selon nous, jouer
un rôle sur la motivation à apprendre.
1.2 Les technologies de l’information et de la communication
Les différents intervenants du système éducatif constatent que les élèves sont démotivés,
que l’école ne s’adapte pas et que les jeunes décrochent en très grand nombre. Certains
voient dans l’utilisation des TIC une solution pour susciter l’engagement des élèves, les
apprentissages scolaires et améliorer la qualité de l’enseignement (Bristish Educational
Communication and Technology Agency, 2003; Karsenti, Goyer, Villeneuve et Raby,
2007). Les TIC sont maintenant très ancrées dans la société et leur présence dans les
écoles a grandement augmenté au cours des dernières décennies.
1.2.1 Description de la situation technologique
Le bassin informatique des écoles au Canada est maintenant relativement stable,
contrairement au bassin résidentiel qui ne cesse de croître (Piette, Pons et Giroux, 2006).
Un rapport publié en 2004 fait état de la situation au Canada à cet égard (Plante et
Beattie, 2004). Les auteurs ont recensé le matériel, la connectivité, l’accès aux
ordinateurs et aux logiciels auprès de 15 500 écoles. Au Québec, on retrouve un ratio
élève/ordinateur (nombre d’élèves pour un ordinateur) plus élevé dans les écoles
secondaires (6,9 élèves par ordinateur) que dans les écoles primaires (6,4). Plus de 97 %
des élèves rapportent être connectés dans leurs écoles. En 2002, le Programme
20
d’indicateurs du rendement scolaire (PIRS) indiquait que 93 % des élèves rapportaient
avoir un ordinateur à la maison, et que 85 % rapportaient avoir une connexion Internet.
Il est évident que ces chiffres ne rapportent pas le degré d’utilisation, mais bien la
présence du matériel et de la connexion. Il ne faut donc pas penser que le niveau
d’accessibilité équivaut au degré d’utilisation. Selon Piette, Pons et Giroux (2006) :
« Au fur et à mesure qu’Internet prenait sa place à la maison, l’école – qui avait pourtant investi de manière importante tant du point de vue pécuniaire que pédagogique – s’est progressivement désinvestie de cette mission éducative quant à l’intégration des TIC en classe … » (p.9-10)
Cette situation n’est pas unique au Canada. L’évolution du bassin informatique est tout
aussi importante aux États-Unis. Une étude menée en 1989 (NCES, 1993) révélait que
39 % des élèves utilisaient l’ordinateur à l’école, alors que 20 % l’utilisaient à la maison,
et que seulement 12 % s’en servait dans un contexte scolaire. Quelques années plus tard,
le même institut, dans un suivi de recherche (NCES, 1995), a noté une augmentation de
l’utilisation de l’ordinateur. En effet, 58 % des élèves du secondaire utilisaient
l’ordinateur à la maison. Les plus récentes études rapportent que jusqu'à 90 % des élèves
utilisent fréquemment l'ordinateur à la maison, alors que 40 % l’utilisent à l'école
(OCDE, 2006). En conséquence, on note maintenant un réel fossé entre ce qui se passe à
la maison, et ce qui se passe à l'école (Bristish Educational Communication and
Technology Agency, 2003; Piette et al., 2006).
Ainsi, les élèves apprennent maintenant à maîtriser les technologies à la maison plutôt
qu’à l’école. Le rapport « Les Jeunes et Internet : Appropriation des nouvelles
technologies », décrit l’évolution importante des pratiques technologiques des jeunes au
Canada (Piette et al., 2006). Une grande partie des jeunes de l’étude ont rapporté
21
fréquenter Internet depuis plus de quatre ans déjà. Ils maîtrisent mieux les outils, et sont
maintenant capables de faire un usage adapté à leurs besoins. Deux utilisations sont
prédominantes : la recherche et la communication (Piette et al., 2006). Alors qu’en 2000,
l’apprentissage des technologies passait plutôt par l’école, en 2006, les jeunes
apprennent à utiliser les technologies à la maison, et considèrent qu’ils font un usage
limité des TIC à l’école.
Comme mentionné plus tôt, la présence de l’ordinateur et d’une connexion Internet ne
sont pas nécessairement synonyme de leur utilisation. Kent et Facer (2004) rapportent
les principales utilisations des TIC par les jeunes en Angleterre : l’écriture (>80 %),
utilisations multiples ou «fiddling» (>70 %) (le « fiddling » est défini par Turkle comme
une utilisation non spécifique de l’ordinateur sans aucun but particulier (Turkle, 1984)),
la création de pages Web, faire des films et des animations (<50 %). Les auteurs
rapportent également des différences entre les utilisations à la maison et à l’école : la
formation sur Internet, l’utilisation de tableaux et de graphiques et l’utilisation de
logiciels éducatifs sont largement plus présents à l’école alors que le transfert de
fichiers, l’achat en ligne, regarder des DVD ou écouter de la musique sont rapportés
comme étant beaucoup plus pratiquées à la maison (Kent et Facer, 2004).
La situation technologique des écoles et des milieux familiaux des élèves est maintenant
assez claire, mais quel est l’effet de l’utilisation de l’ordinateur à la maison sur le vécu
scolaire des élèves? Certains prétendent qu’il existe un effet négatif alors que d’autres
font valoir qu’il faut distinguer le type d’utilisation, et que dans ce cas, certains usages
22
pourraient être bénéfiques (Beltran et al., 2008; Bussière et Gluszynski, 2004; Fiorini,
2009; Vigdor et Ladd, 2010).
1.2.2 L’utilisation personnelle de l’ordinateur et la compétence
technologique
La maison semble devenir l’endroit de prédilection de l’utilisation de l’ordinateur par
nos jeunes. Le taux d’informatisation des foyers canadiens est passé de 18,6 % en 1991 à
75,4 % en 2006. De plus, le taux estimé de branchement à Internet est passé de 16 % en
1997 à 54,5 % en 2003 (Statistique Canada, 2009). Chez les élèves québécois, les
chiffres sont également en pleine croissance. Alors qu’en 2000, on retrouvait environ
57 % des foyers québécois branchés sur Internet, nous retrouvons en 2006 un taux de
branchement de 93 % (Piette et al., 2006). La plus récente étude de Statistique Canada
laisse voir que 45 % des heures que les jeunes adultes de 20 à 24 ans ont déclaré avoir
passé devant un écran l'ont été devant un écran d'ordinateur plutôt qu'un écran de
télévision. Chez les adultes de 25 à 34 ans, 36 % des heures passées devant un écran
l'ont été devant un écran d'ordinateur. Même chez les adultes d'âge moyen, soit de 45 à
54 ans, 25 % des heures passées devant un écran l'ont été devant un écran d'ordinateur.
Fiorini (2009) constate que malgré la pertinence de faire des analyses selon le temps
d’utilisation des technologies, il semble essentiel de déterminer les types d’utilisation
pour mieux évaluer les effets possibles.
Pendant que le temps d’utilisation et le matériel informatique ne cessent de s’accroître
dans les foyers, le bassin informatique scolaire stagne, voire régresse à certains endroits.
La situation à l’école est telle que les limites imposées quant à l’utilisation des
23
technologies viendrait restreindre l’appropriation et l’expérimentation de l’ordinateur
par les jeunes, ce qui a pour conséquence de créer un écart d’utilisation important entre
l’école et la maison (Piette et al., 2006). L’une des conséquences de ce fossé
technologique entre l’école et la maison est l’inégalité des compétences informatiques
chez les jeunes. Puisque les jeunes passent davantage de temps avec l’ordinateur à la
maison plutôt qu’à l’école, on constate une certaine forme « d’autoformation » et par
conséquent, chaque jeune n’a pas la même qualité et la même chance de formation.
Malgré de nombreuses recherches faites sur les effets de l’utilisation de l’ordinateur à
des fins pédagogiques, peu de recherches à ce jour se sont intéressées à la nouvelle
réalité des jeunes, qui veut que l’utilisation de l’ordinateur à la maison surpasse de façon
importante l’utilisation de l’ordinateur à l’école (Piette et al., 2006). Alors que certains
jeunes utilisent l’ordinateur à tous les jours à la maison, d’autres n’ont que très peu
d’opportunité de perfectionner leurs compétences technologiques. Ces compétences
informatiques se développent d’une part, par un apprentissage systématique, mais
d’autre part, par l’usage régulier de l’ordinateur. D’ailleurs, il a été observé que les
élèves qui utilisent l’ordinateur de façon fréquente développent de meilleures aptitudes
informatiques (qu’on appelle également « Computer literacy ») (Heinssen, Glass et
Knight, 1987; OCDE, 2006). Ces aptitudes informatiques sont maintenant essentielles à
la formation des élèves, et en plus de l’écriture et la lecture, elles font désormais partie
des critères évalués pour mesurer la littératie d’une personne (Veenhof et al., 2005).
Il est intéressant de voir comment l’utilisation des technologies de l’information devient
un élément important dans les curriculums et comment les différents projets concluent à
24
leur pertinence dans le milieu scolaire (Boster et al., 2004; CEO, 2001; McFarlane et
Sakellariou, 2002; Passey, Rogers, Machell et McHugh, 2004; Pittard, Bannister et
Dunn, 2003). On se rend compte de plus en plus de l’importance que pourraient avoir les
compétences technologiques et leur utilisation. Les chercheurs commencent à
s’intéresser à l’influence directe que peuvent avoir le fait de posséder un ordinateur, le
sentiment de confiance et le niveau de compétence informatique sur la réussite scolaire
(Attewell et Battle, 1999; Banerjee, Cole, Duflo et Linden, 2005; Beltran, Das et Fairlie,
2005; OCDE, 2006; Shapley, Sheehan, Maloney et Caranikas-Walker, 2010). Ces études
rapportent un effet positif entre l’utilisation des technologies à la maison et le vécu
scolaire des élèves. Toutefois, certains auteurs ne croient pas que ce lien soit
systématiquement positif, et constatent que dans certains cas, l’introduction de
l’ordinateur dans le foyer nuit aux études (Malamud et Pop-Eleches, 2008; Vigdor et
Ladd, 2010). Ces études examinent habituellement le lien entre la présence de
l’ordinateur, et parfois l’utilisation des TIC à des fins personnelles, et le rendement. Peu
d’études à ce jour ont examiné l’incidence de l’utilisation de l’ordinateur à des fins
personnelles sur la motivation à apprendre et l’engagement scolaire des élèves.
1.3 Objectif général
Ainsi, un nombre considérable d’études ont démontré les effets positifs de l’utilisation
des technologies à des fins pédagogiques à l’école (Bain et Ross, 2000; Betts, 2003;
Boster et al., 2004; CEO, 2001; Hoskins et van Hooff, 2005; Huffman, Goldberg et
Michlin, 2003; Hunt et Minstrell, 1994; Koedinger et Anderson, 1999; Means et Olson,
1997; Oliver et McLoughlin, 2001; Pittard et al., 2003; Ravitz et Mergendoller, 2002;
25
Scardamalia et Bereiter, 1994; Wenglinsky, 1998). D’autres recherches, beaucoup moins
nombreuses, ont étudié les relations entre la présence de l’ordinateur, l’utilisation
personnelle de l’ordinateur et le rendement scolaire (Attewell et Battle, 1999; Banerjee
et al., 2005; Beltran et al., 2005; OCDE, 2006; Vigdor et Ladd, 2010) mais, comme nous
l’avons déjà mentionné, aucune étude disponible ne s’est intéressée au lien entre
l’utilisation personnelle de l’ordinateur et la motivation à apprendre.
Par conséquent, l’objectif général de la présente étude est d’examiner les liens entre les
habitudes informatiques dans la vie de tous les jours et la motivation à apprendre en
contexte scolaire, et plus particulièrement dans le domaine des sciences.
Chapitre 2. Contexte théorique et recension des écrits
Dans les pages qui suivent, nous allons circonscrire les différents éléments de notre
problématique dans la littérature existante. Premièrement, nous élaborerons sur
l’importance de la motivation sur l’engagement et nous présenterons les principales
théories motivationnelles retenues pour cette étude. Deuxièmement, nous examinerons
l’influence des TIC sur le rendement et la motivation des élèves. Pour conclure, la
pertinence de la présente thèse sera établie et les objectifs spécifiques seront détaillés.
2.1 L’engagement
L’engagement à l’école s‘observe à l’aide des comportements de l’élève (la persistance
dans une activité, l’effort à la tâche, l’attention) et également à l’aide de l’expression de
ses émotions (intérêt à la tâche, la fierté, l’enthousiasme) (National Research Council &
Institute of Medecine, 2004). On distingue la motivation de l’engagement dans l’action
selon ces définitions : « Motivation is about energy and direction, the reasons for
behaviour, why we do what we do. Engagement describes energy in action, the
connection between person and activity. » (Ainley, Frydenberg et Russell, 2005, p. 3).
En d’autres mots, la motivation, c’est ce qui initie l’engagement, alors que
l’engagement, c’est le comportement dans l’action ou le fait d’exécuter la tâche. Trois
types d’engagement nous intéressent tout particulièrement : l’engagement
comportemental, l’engagement affectif et l’engagement cognitif. L’engagement
comportemental est celui observable par l’enseignant. L’effort, l’implication et la
demande d’aide sont souvent des bons indicateurs de l’engagement comportemental.
(Fredricks, Blumenfeld et Paris, 2004; Pintrich et Schrauben, 1992; Pintrich et Schunk,
27
1996). L’engagement affectif, comme son nom l’indique, est plutôt lié aux émotions de
l’élève et à ces expériences positives (Fredricks et al., 2004). Afin d’observer
l’engagement affectif, l’enseignant doit poser des questions à l’élève. L’engagement
cognitif se définit plutôt comme la qualité et le degré d’effort mental fournit par l’élève
lors de l’accomplissement de tâches scolaires ou d’apprentissage (Ames et Archer, 1988;
Fredricks et al., 2004). Bien sûr, il n’est pas évident d’observer l’engagement cognitif de
l’élève. L’emploi des stratégies cognitives (élaboration, organisation et répétition) et
métacognitives (planification, contrôle et régulation) représentent une bonne mesure de
l’engagement cognitif. Ces stratégies favorisent la compréhension et la rétention des
informations (Boulet, Savoie-Zajc et Chevrier, 1996; Linnenbrink et Pintrich, 2003). Les
meilleures stratégies sont celles qui sont adaptées à réalisation de la tâche et à ses
exigences.
L’engagement, peu importe le type, est essentiel aux apprentissages et à la réussite de
l’élève. Si l’élève est engagé d’une façon cognitive et comportementale, cela se reflètera
de façon positive dans ses comportements scolaires. Par conséquent, l’influence des
déterminants de la motivation à apprendre (l’intérêt, la valeur accordée à la tâche, les
buts qu’il se fixe, les stratégies utilisées, etc.) se traduit très souvent par un engagement
comportemental ou cognitif plus ou moins grand dans la tâche.
2.2 La motivation
Bien qu’on s’entende sur l’importance de la motivation à apprendre, les auteurs ne
s’entendent pas sur une seule et unique définition. Viau (1994) ou Archambault et
Chouinard (2003) nous propose des définitions très similaires de la motivation à
28
apprendre. Ces définitions de la motivation ont en commun qu’il s’agit d’un processus
complexe composé d’un ensemble de déterminants, où la motivation est une condition
nécessaire à l’engagement, la persévérance et à la réussite scolaire.
Mais comment la motivation influence-t-elle les élèves? Une augmentation de la
motivation à apprendre se traduit par un comportement positif de l’élève à s’engager
dans la tâche, à prendre plaisir à faire l’activité et à aimer avoir du succès sur le plan
scolaire (Covington et Müeller, 2001). Et plus il persévère, plus il a de chance de réussir
(Viau, 1994). L’élève qui s’investit dans la tâche, en voulant la réaliser jusqu’au bout, et
qui y trouvera beaucoup de satisfaction et d’intérêt représente un bon exemple
d’engagement.
L’approche sociocognitive est celle sur laquelle s’appuie actuellement la presque totalité
des travaux empiriques et théoriques en motivation scolaire, incluant notre étude
(Bandura, 1986). Contrairement aux approches antérieures, elle permet d’étudier les
phénomènes humains selon l’interaction qui existe entre les facteurs individuels, les
comportements et l’environnement social (Figure 1), plutôt que d’étudier la nature de la
motivation (Viau, 1994). Cette approche suppose que l’environnement social de l’élève
influence les perceptions et cognitions de l’élève (facteurs personnels), qui à son tour
poussera l’élève à adopter ou modifier certains comportements et attitudes. Il faut
souligner que l’approche sociocognitive conçoit ces interactions comme étant
réciproques : « … une composante pouvait être une cause d’un phénomène et devenir
par la suite un effet de celui-ci. » (Viau, 1994, p. 35). Cette approche tente de trouver
des solutions aux problèmes réels et aux enjeux sociaux : l’agressivité, l’influence des
29
parents et des médias de masse sur les enfants, la motivation à l’école, le décrochage
scolaire, etc. (Pervin et John, 2005). Par conséquent, la versatilité de l’approche
sociocognitive permet aux chercheurs d’intégrer de nouvelles variables prédictives et
explicatives dans un modèle de la motivation à apprendre. Dans le contexte qui nous
intéresse, il sera donc possible d’intégrer des variables en lien avec les habitudes
technologiques (les comportements et les facteurs personnels de la Figure 1).
Nous y retrouvons également quelques limites à cette approche. Malgré les nombreux
efforts déployés par la recherche, et entre autres par Bandura, l’approche sociocognitive
n’est pas encore une théorie systématique et intégrée, au sens où elle ne permet pas
d’obtenir des prévisions précises grâce à un réseau d’hypothèses. Elle reste encore une
agglomération de plusieurs théories et concepts qui ont été fusionnés sans que
l’ensemble des liens et des relations ait pleinement été étudié (Pervin et John, 2005). Par
conséquent, il peut être parfois hasardeux de s’y retrouver et il faut s’attarder davantage
Figure 1: Dynamique motivationnelle selon l’approche sociocognitive
Environnementsocial
Facteurspersonnels
Comportements et attitudes
30
aux liens qui nous intéressent plus particulièrement plutôt que de tenter de relier
l’ensemble des théories existantes.
2.2.1 Les déterminants internes de la motivation
Qu’est-ce qui fait que les jeunes s’investissent dans une tâche? Pourquoi les jeunes
passent plus de temps dans certaines activités et moins dans d’autres? Il existe de
nombreuses recherches qui se sont intéressées aux phénomènes d’engagement et de
motivation. Selon Eccles, Wigfield et Schiefele (1998), l’engagement et la persévérance
seraient principalement tributaires des attentes de succès et de la valeur que l’élève
accorde à la tâche. Par exemple, plusieurs chercheurs ont démontré qu’il existe un lien
entre le sentiment d’être compétent dans un domaine scolaire donné, l’intérêt pour ce
domaine et l’engagement dans les tâches (Chouinard et Fournier, 2002; Eccles et
Wigfield, 1995; Eccles et al., 1998; Hidi et Harackiewicz, 2000). Nous allons définir
davantage ces concepts.
2.2.1.1 Les perceptions de soi
Le sentiment de compétence, ou le sentiment d’autoefficacité selon Bandura (1986),
influence de manière importante la façon dont les tâches sont initiées et sur la
détermination de l’élève à accomplir ces tâches (Harter, 1982; Pintrich et Schrauben,
1992). Le sentiment de compétence représente la perception qu’a l’élève de sa capacité à
réussir dans un contexte donné. Que ce soit sur le plan de la différenciation sexuelle
(Chouinard, Vezeau, Bouffard et Jenkins, 1999; Eccles et al., 1984; Fennema et
Sherman, 1978; Jacobs et Eccles, 1985; Jacobs, Lanza, Osgood, Eccles et Wigfield,
2002), ou sur les différences en lien avec l’environnement scolaire (Foon, 1988; Harvey
31
et Stables, 1986; Lee et Bryk, 1986; Marsh, 1989), le sentiment de compétence est un
concept de premier plan en ce qui concerne la motivation scolaire. Plus le sentiment de
compétence de l’élève sera élevé, plus l’élève fournira un effort et persévèrera (Pajares
et Urdan, 2002). Plusieurs études ont démontré qu’un sentiment de compétence élevé
dans un domaine donné augmente les chances de succès de l’élève à la tâche. La
perception de sa compétence varie en fonction de la difficulté de la tâche, du type de
tâche et du contexte (Eccles et al., 1998). L’élève qui se croit capable de réussir sa tâche
s’engagera avec énergie et confiance, alors que celui qui voit la tâche comme trop ardue
pour lui, aura tendance à faire le minimum, ou même à ne pas réaliser la tâche, afin de
ne pas nuire à son image personnelle et à son estime de soi. À ses yeux, éviter de faire
une tâche est moins nuisible que d’échouer à la faire.
Bien que les liens entre les attentes de succès, la valeur dans un domaine donné
(mathématiques, français, etc.) et l’engagement dans ce même domaine soient
empiriquement démontrés, peu d’études à ce jour se sont intéressées à l’effet que le
sentiment de compétence dans un domaine connexe ou relié pourrait avoir sur
l’engagement dans une matière. Prenons l’exemple de deux compétences très similaires,
mais non identiques. Une étude américaine a observé que les compétences développées
dans l’apprentissage d’une première langue faciliteraient l’apprentissage d’une seconde
langue (Orleans et Laney, 2000). Une autre étude sur les concepts connexes a été menée
en sciences infirmières. Les auteurs ont observé que le sentiment de compétence à
l’endroit de l’utilisation de l’ordinateur semble avoir un lien avec la motivation pour une
future carrière en sciences infirmières (Tracy et al., 2009). Dans le même ordre d’idée,
on peut se demander quel pourrait être l’effet du niveau de compétence et de l’intérêt
32
pour l’utilisation de l’ordinateur sur la motivation à s’engager dans l’apprentissage d’une
discipline faisant appel à des compétences technologiques.
Ainsi, on peut faire l’hypothèse qu’un élève qui utilise beaucoup l’ordinateur à des fins
personnelles sera plus enclin à s’engager dans un cours où il aura à utiliser l’ordinateur.
Ses attentes de succès quant à la réussite du cours en question seront plus élevées parce
qu’il est déjà familier avec les outils technologiques utilisés dans ce cours et son intérêt
pour la matière devrait être plus grand puisque la valeur accordée à l’apprentissage
d’une discipline est tributaire des attentes de succès dans cette discipline (CEFRIO,
2008; Cepni, Tas et Kose, 2006). De plus, la correspondance des compétences
développées avec l’ordinateur pourrait faciliter l’acquisition des connaissances dans
cette matière.
L’anxiété jouera également un rôle important sur la motivation. Par exemple, un élève
qui se sentira stressé ou nerveux par rapport à une matière ou une tâche aura tendance à
vouloir éviter cette matière ou tâche. Selon Viau (1994) : « … les élèves trop anxieux
sont portés à perdre leur attention dans l’accomplissement d’une tâche et à consacrer
toute leur énergie à appréhender les conséquences d’un échec éventuel ». Bien que les
causes sont nombreuses (mauvaises expériences, manque de modèles, stéréotypes, etc.),
les études concluent à des liens étroits entre l’anxiété, le sentiment de compétence et le
rendement dans une matière. C’est le fait de se sentir incompétent et peu en contrôle qui
augmente l’anxiété. Par exemple, Britner (2008) a conclut que les filles qui rapportent
être plus anxieuses se sentaient également moins compétentes en sciences. Toutefois, ils
n’ont pas observé de liens avec le rendement, car les filles obtenaient meilleures notes
33
par rapport aux garçons. En ce sens, Freudenthaler, Spinath et Neubauer (2008)
concluent que l’anxiété affecte davantage les garçons que les filles par rapport aux notes.
Eccles et coll. (1990) sont arrivés à des conclusions similaires en mathématiques, où
l’anxiété était un bon prédicteur du sentiment de compétence. Cependant, ils concluent
plutôt à un effet médiateur de l’anxiété sur l’engagement et le rendement.
2.2.1.2 L’intérêt et la valeur accordée à la tâche
Un autre élément qui pousse l’élève à s’engager dans la tâche serait l’importance et
l’intérêt qu’il lui accorde. Il a été démontré que plus l’élève considère une activité
comme intéressante, plus il s’engage, ce qui affecte positivement son rendement
(Pintrich, Marx et Boyle, 1993). Il existe deux types d’intérêt : celui en lien avec la
situation et celui en lien avec les goûts personnels de l’élève. Selon Archambault et
Chouinard (2003), il semblerait plus facile d’agir sur l’intérêt que le sentiment de
compétence. L’intérêt personnel serait plus favorable, car il implique un désir
intrinsèque à apprendre dans un domaine qui emmènera l’élève à persister davantage. Il
est lié directement au goût de l’élève. L’intérêt de type situationnel est plus spécifique et
ponctuel, et lié avec l’environnement de l’élève (Ainley et Hidi, 2002). Néanmoins, dans
les deux cas, ils sont favorables à la motivation (Schraw et Lehman, 2001). L’intérêt
situationnel est précurseur de l’intérêt personnel (Linnenbrink-Garcia et al., 2010).
Outre l’intérêt, un autre déterminant de la motivation nous intéresse tout
particulièrement : les buts d’accomplissement. Les types de buts permettent d’évaluer
les raisons pour lesquelles un élève s’engage dans une activité.
34
2.2.1.3 Les buts d’accomplissement
Plus récemment, plusieurs études ont démontré l’importance que revêtent les raisons et
les objectifs pour lesquels l’élève effectue la tâche. À l’origine, les auteurs préconisaient
une théorie avec deux types de buts d’accomplissement : les buts de maîtrise et les buts
de performance (Ames et Archer, 1988; Dweck, 1986; Elliot et Harackiewicz, 1996;
Maerh, 1989). Les élèves qui se fixent des buts de maîtrise mettraient l’accent sur la
compréhension et l’apprentissage alors que ceux qui se fixent des buts de performance
tenteraient de démontrer leurs compétences par rapport aux autres en performant mieux
(Linnenbrink et Pintrich, 2003; Pintrich et Schunk, 1996).
Les buts de maîtrise-approche (ou buts d’apprentissage, « mastery-approach goals »)
sont des buts internes à l’élève (Ames et Archer, 1988; Pintrich et Schrauben, 1992). Ces
types de buts sont les plus désirables. L’élève qui se fixe des buts de maîtrise-approche
choisit d’apprendre pour le plaisir, parce qu’il aime apprendre, ou parce qu’il veut en
apprendre davantage (Bouffard, Boisvert, Vezeau et Larouche, 1995; Dweck, 1986). Il
valorise l’étude pour le développement de ses habiletés et de ses compétences. Par
conséquent, ces buts favoriseront l’apprentissage et l’engagement scolaire. En situation
d’échec, l’élève attribuera ses échecs à un manque d’effort et de stratégies. Il optera pour
de meilleures stratégies ou ira chercher de l’aide pour améliorer ces chances de réussite
à la prochaine évaluation (Vezeau et Bouffard, 2002). Ces buts sont tout
particulièrement intéressants, car ils sont souvent rapportés comme étant ceux qui sont
liées fortement avec l’engagement ou l’utilisation des stratégies cognitives dans une
matière (Chouinard, Karsenti et Roy, 2007; Li, 2005; McCollum, 2005; Wang, Liu,
Lochbaum et Stevenson, 2009).
35
Les buts de performance-approche (ou « performance-approach goals ») ne sont pas
orientés vers des besoins personnels uniquement (Ames et Archer, 1988; Pintrich et
Schrauben, 1992). L’élève ne cherche plus à apprendre pour le plaisir, mais il tentera
plutôt de se comparer et d’impressionner les autres avec son rendement. Il cherchera à
avoir de meilleures notes, des récompenses, etc. Il aura tendance à attribuer ses échecs à
un manque d’habileté plutôt qu’à un manque d’effort. Par conséquent, les buts de
performance peuvent rapidement nuire à la motivation de l’élève en situation d’échec
(Elliott, 1999; Vezeau et Bouffard, 2002). Ces buts sont également vus par certains
auteurs comme jouant un rôle important sur différentes variables motivationnelles
(Barron et Harackiewicz, 2003; Chouinard et al., 2007; Church, Elliot et Gable, 2001;
Wang et al., 2009).
Il est à noter que les buts de maîtrise-approche et les buts de performance-approche ne
sont pas mutuellement exclusifs (Bouffard et al., 1995). Certains élèves peuvent avoir de
hautes attentes sur leur rendement tout en désirant apprendre pour améliorer leur
habilité. En soi, les buts de performance-approche ne sont pas nécessairement négatifs,
même que certains auteurs les voient comme positifs (Barron et Harackiewicz, 2003). Ils
le seront davantage en cas d’échec. En situation de succès, l’élève sera motivé par ce
type de buts. Par exemple, certaines études ont démontré que selon le contexte de la
classe, les buts de performance-approche sont liés de façon positive avec le rendement
(Barron et Harackiewicz, 2003; Harackiewicz, Barron, Tauer et Elliot, 2002). Lorsque
les buts de performance sont liés à un faible sentiment de compétence, l’individu a
tendance à faire le minimum de travail dans les cours pour éviter l’échec (Urdan, 1997).
En étudiant davantage les buts d’accomplissement, certains auteurs ont raffiné ces
36
théories en ajoutant une catégorie opposée aux buts d’accomplissement : les buts
d’évitement (Elliot et Harackiewicz, 1996; Elliot et McGregor, 2001; Harackiewicz,
Barron, Pintrich, Elliot et Thrash, 2002). Il serait donc possible d’observer des buts
d’apprentissage-évitement et de performance-évitement (Cury, Elliot, Da Fonseca et
Moller, 2006; Elliot et McGregor, 2001). Ces types de buts sont plutôt aversifs. Un élève
avec un faible niveau de compétence poursuivra plutôt comme objectif d’éviter de
montrer son faible niveau de compétence (ou d’incompétence), ce que les auteurs
nommeront les buts de performance-évitement, en opposition aux buts de performance-
approche où l’élève tentera de montrer son niveau d’habileté (Dweck et Leggett, 1988;
Midgley, Kaplan et Middleton, 2001). Les buts de maîtrise-évitement, bien que plus rare
chez les plus jeunes, sont caractérisés par le fait de vouloir « protéger » le souvenir de
compétence déjà maîtrisé (Elliot et Thrash, 2001). Cette distinction entre les buts
d’approche et les buts d’évitement a été utilisée par différents auteurs (Dweck et
Leggett, 1988; Elliot et Thrash, 2001; Elliot et Sheldon, 1997; Harackiewicz, Durik,
Barron, Linnenbrink-Garcia et Tauer, 2008; Heyman et Dweck, 1992). Dans la catégorie
des buts d’évitement, on retrouve également les buts d’évitement du travail, introduit par
Brophy (1983) et également par Nicholls (1989).
Certains auteurs suggèrent que dans certains cas, les élèves désirent faire le minimum
d’effort possible, ce qui serait représenté par une autre catégorie de buts (Bouffard et
al., 1998; Meece et Holt, 1993). Les buts d’évitement du travail (ou « work-avoidance
goals ») sont plus aversifs que les deux autres types de buts. Ils ne visent pas à apprendre
pour le plaisir, ou pour avoir des bonnes notes, mais plutôt pour éviter le travail. Il
minimise l’énergie à fournir pour un rendement minimal et pour réaliser le minimum de
37
travail (Bouffard et al., 1998). Nous utiliserons ces types de buts pour mesurer l’aspect
« évitement » souvent présent dans les différentes typologies.
Les déterminants de la motivation à apprendre, présentés précédemment, jouent tous un
rôle prédicteur ou médiateur, à plus ou moins grande échelle, sur l’engagement et la
motivation des élèves. Plusieurs auteurs ont montré que l’environnement
d’apprentissage influence grandement la motivation et l’engagement des élèves. En
particulier, l’utilisation des TIC a suscité au cours des dernières années un effort de
recherche considérable. Notre étude se veut novatrice dans le domaine puisque nous
étudierons une variable peu étudiée jusqu’à tout récemment dans ce contexte :
l’utilisation à des fins personnelles des technologies de l’information et de la
communication.
2.3 L’utilisation des TIC en général
Comme nous l’avons déjà discuté, les jeunes utilisent les technologies les TIC. Les
récentes études ont démontré que les heures d’écoute de télévision diminuent au profit
de l’utilisation de l’ordinateur (Shields et Tremblay, 2007). L’ordinateur devient partie
intégrante du processus d’apprentissage des élèves alors que les enfants utilisent
l’ordinateur de plus en plus jeune (CRIOC, 2006; Piette et al., 2006).
Plus de 75 % des jeunes âgés entre 12 et 18 ans interrogés dans l’enquête Mediapro
rapportent utiliser Internet depuis au moins 4 ans (Piette et al., 2006). Au Canada,
l’enquête PISA (n = 22 000) rapporte que 83 % des jeunes (15-16 ans) font une
utilisation fréquente des moyens de communication (courriel, clavardage, etc.), 75 %
38
cherchent de l’information sur Internet, 59 % jouent à des jeux et 49 % utilisent Internet
pour effectuer des tâches en équipe (OCDE, 2006).
Weston et Barker (2002) ont réalisé une enquête auprès de 688 étudiants universitaires
afin de déterminer leurs habitudes technologiques. Ils ont trouvé que les utilisations les
plus fréquentes sont : le traitement de texte (90 %), le courriel (89 %), l’Internet pour
l’école (85 %) et l’Internet pour des raisons personnelles (84 %). Les outils spécialisés
ont été beaucoup moins utilisés : base de données (38 %), programmation (29 %), les
groupes de discussion (29 %) et la conception de pages Web (25 %). Les auteurs
constatent également que les étudiants sont principalement formés à la maison de façon
informelle : 81 % pour le courriel, 73 % pour la navigation Web et 63 % pour le
traitement de texte.
Certains auteurs ont distingué le niveau d’utilisation selon le sexe des apprenants. Bien
que les études ne s’entendent pas systématiquement sur les différences d’utilisation des
technologies entre les garçons et les filles, en général, on constate que les garçons
utilisent davantage l’ordinateur pour le jeu et pour se divertir, alors que les filles
l’utilisent plus pour des utilisations de bureautique (BECTA, 2008; Colley et Comber,
2003; Kent et Facer, 2004)
Que ce soit à l’école ou à la maison, les études ont démontré que les usages les plus
fréquents sont les jeux, le traitement de texte, l’Internet (pour le courriel et la recherche),
la communication et les logiciels éducatifs. À la lumière de ces études, il semble
primordial de bien cerner les différents types d’utilisation des jeunes afin de mieux
39
comprendre le rôle respectif que cela pourrait jouer sur l’apprentissage et la motivation à
l’école.
2.3.1 L’utilisation des TIC à des fins scolaires
Plusieurs projets intégrants les technologies ont fait leur apparition dans les écoles. En
éducation, on parlera plutôt en termes de technologie éducative. Les technologies
éducatives sont définies comme : « Technologie qui contribue effectivement à
l’éducation» (Legendre, 2005) ou « Using multimedia technologies or audiovisual aids
as a tool to enhance the teaching and learning process. » (New York State Education
Department, 2009). Il existe de nombreux types de projets intégrants les technologies :
les échanges et la communication, la recherche sur Internet, le multimédia, les
didacticiels et simulations, etc. Peu importe le type d’utilisation, les objectifs sont les
mêmes : faciliter et favoriser l’apprentissage, augmenter la motivation et l’engagement
des élèves ou améliorer le rendement.
Un rapport pour le compte de RESCOL et Industrie Canada (2002) soulève une liste
d’avantages liés à l’utilisation des TIC dans les écoles : donner à tous la chance de
développer des compétences TIC, fournir de nouveaux moyens d’atteindre les objectifs,
améliorer les possibilités de coopération, faire des liens avec la vie réelle, faire partie du
« village planétaire », avoir accès à de nouvelles ressources, envisager des choix de
carrières plus diversifiés, soutenir les élèves présentant des besoins particuliers et mettre
de nouvelles ressources aux mains des enseignants et des élèves. Néanmoins, le rapport
soulève qu’il faut souvent consacrer plus de temps à l’apprentissage des TIC plutôt qu’à
40
l’enseignement de la matière, ce qui constitue aux yeux des enseignants un obstacle
important aux applications pédagogiques de l’ordinateur.
À cet égard, l’intégration pédagogique des TIC se distingue de l’intégration de
l’ordinateur dans les classes. On parlera d’intégration pédagogique lorsque les
technologies sont utilisées de façon continue, de manière à soutenir l’enseignement et
lorsqu’elles permettent de réaliser des apprentissages significatifs. Raby (2004) définit
l’intégration pédagogique comme : « … une utilisation habituelle et régulière des TIC en
classe par les élèves et les enseignants, dans un contexte d’apprentissage actif, réel et
significatif, pour soutenir et améliorer l’apprentissage et l’enseignement. ».
Dans les prochains paragraphes, nous tenterons d’élaborer sur les avantages et les
risques reliés à l’utilisation des technologies dans les projets scolaires. Nous discuterons
des différents effets sur : le rendement, l’apprentissage et la motivation à apprendre, et
ce, en fonction de l’école en général, et plus particulièrement, en sciences.
2.3.1.1 L’incidence de l’utilisation scolaire des TIC sur l’apprentissage et le
rendement
Les gouvernements investissent des sommes considérables pour favoriser l’intégration
des technologies dans les écoles (Bristish Educational Communication and Technology
Agency, 2009; Gouvernement du Québec, 2001; Howard, 2007; Malamud et Pop-
Eleches, 2008; Shapley et al., 2010). Ces investissements en valent-ils la peine? La
réponse n’est pas claire. En majorité, les chercheurs répondent par l’affirmative, mais
seulement si l’on considère plusieurs facteurs : les conditions socioéconomiques des
élèves, l’intégration pédagogique des TIC, la formation des enseignants, ou même l’âge
41
des élèves. Certains chercheurs se sont tout particulièrement intéressés à déterminer les
effets que peut avoir l’intégration des technologies sur l’apprentissage et le rendement
des élèves. De nombreuses recherches ont démontré à cet égard que l’utilisation de
l’ordinateur à l’école avait souvent un lien positif avec le rendement scolaire (Bain et
Ross, 2000; Boster et al., 2004; CEO, 2001; Koedinger et Anderson, 1999; Pittard et al.,
2003; Ravitz et Mergendoller, 2002; Scardamalia et Bereiter, 1994; Wenglinsky, 1998).
Notons cependant que d’autres auteurs rapportent des résultats beaucoup plus modérés,
voire même contraires (Healy, 2004; Malamud et Pop-Eleches, 2008; Ravitz et
Mergendoller, 2002; Russell, 1999). Nous allons voir un peu plus en détail quelques
unes de ces études.
Plusieurs auteurs concluent à une amélioration des notes suite à l’intégration des
technologies dans les activités scolaires. Ravitz et Mergendoller (2002) rapportent que
les élèves des écoles secondaires qui utilisent l’ordinateur à l’école (logiciels éducatifs et
salles informatiques) ont de meilleurs résultats aux tests standardisés. Dans le même
ordre d’idée, le projet TigerNet conclue que les élèves qui utilisent un système
informatique fournissant un soutien en éducation (« Web-based information feedback
system ») obtiennent également un rendement plus élevé (Zappe, Sonak, Hunter et Suen,
2002). Dans une étude longitudinale de huit années, Bain et Ross (2000) ont observé que
les élèves qui participaient à un nouveau programme intégrant les technologies ont
augmenté significativement leur rendement aux tests standardisés comparativement aux
élèves inscrits au programme ordinaire. Cependant, certaines études concluent plutôt
qu’il y peu ou pas d’effet de l’utilisation des TIC sur le rendement (Brallier, Palm et
Gilbert, 2007) alors que d’autres concluent que les technologies pourraient même nuire à
42
l’apprentissage puisque l’élève pourrait être distrait des objectifs de la leçon (Fried,
2008). Selon le niveau de formation des élèves, l’utilisation des technologies pourrait
également jouer un rôle parfois positif et parfois négatif (Cavanaugh, Dawson et
Ritzhaupt, 2008). En ce sens, plus l’élève possède une bonne formation technologique,
plus l’influence sera positive. Dans une méta-analyse menée sur plus de 500 études,
Kulik (1994) conclut que les élèves en contexte technologique performent mieux que
ceux dans un contexte plus traditionnel sans ordinateur. Toutefois, il nuance ces propos
en rapportant que les effets positifs ne sont pas observés dans tous les contextes. Les
technologies doivent nécessairement supporter directement les objectifs visés par le
curriculum. Dans un rapport intitulé : « Litterature Review in Science Education and the
Role of ICT : Promise, Problems and Future Directions » (Osborne et Hennessy, 2003),
les auteurs soulèvent le potentiel des technologies pour l’enseignement des sciences. Ces
résultats sont appuyés par de nombreuses études dans le domaine, tout en soulevant
certains points intéressants. Wenglinsky (1998) a observé que l’utilisation de logiciels a
pour effet d’augmenter le rendement en sciences alors que dans le contexte de tâches
simples, leur effet sur le rendement est négatif. Pour leur part, Osborne et Hennessy
(2003) considèrent que les technologies permettent de favoriser l’apprentissage et la
réussite en sciences par l’accès aux ressources, aux simulations ou l’utilisation de
logiciels spécialisés. Les utilisateurs avancés, les « High ICT users », tels qu’ils sont
appelés dans l’article de Pittard et ses collaborateurs (2003), obtiennent de meilleurs
résultats en sciences après un certain temps d’immersion dans les projets avec les
technologies. Du côté des apprentissages, la recherche a déjà démontré que pour
apprendre des notions abstraites, les nouvelles technologies sont un atout. Par exemple,
43
Locke et Andrews (2004) rapportent que l’utilisation des TIC à l’école favorise les
apprentissages des élèves en lecture et en écriture. Toutefois, il soulève que leur effet
positif est souvent médiatisé, de façon négative ou positive, par l’enseignant.
L’utilisation des TIC en sciences comme outils de simulation ou pour remplacer les
laboratoires est favorable aux apprentissages (McFarlane et Sakellariou, 2002). De plus,
la visualisation à l’aide des technologies facilite l’apprentissage et l’acquisition des
connaissances (Mistler-Jackson et Songer, 2000). L’utilisation des TIC dans
l’apprentissage des sciences permet aux élèves d’acquérir et de maîtriser des concepts
plus avancés que les élèves de même niveau qui ne les utilisent pas (Hunt et Minstrell,
1994). De plus, les auteurs rapportent que les TIC (les logiciels didactiques, les projets
en ligne, les forums de discussion, etc.) améliorent la qualité des apprentissages et
permettent de développer un plus haut niveau de connaissances et de meilleures
aptitudes en sciences (Betts, 2003; Hoskins et van Hooff, 2005; Means et Olson, 1997;
White et Frederiksen, 1998).
Les études qui ont rapporté des résultats plus mitigés, voire contradictoires, considèrent
que le temps passé avec les technologies réduit celui consacré aux apprentissages
(Healy, 2004). Par exemple, à la lumière de l’étude « Third International Mathematic
and Science Study », les auteurs rapportent une relation négative entre le temps
d’utilisation de l’ordinateur en classe et le rendement (Gonzalez et al., 2008). En résumé,
la littérature sur le sujet nous apprend qu’à certaines conditions l’utilisation des
technologies est liée de façon positive aux apprentissages et au rendement. Néanmoins,
il n’est pas suffisant d’uniquement placer un jeune devant un ordinateur pour observer ce
44
lien positif et cela serait plutôt tributaire d’un ensemble de composantes de
l’environnement scolaire intégrant les technologies (CEO, 2001; Goolsbee et Guryan,
2002; Papanastasiou, Zembylas et Vrasidas, 2003; Wenglinsky, 1998). En ce sens,
certains auteurs considèrent même que l’utilisation des technologies dans des contextes
peu ou non pédagogiques peut nuire au rendement (Fuchs et Woessman, 2004; Malamud
et Pop-Eleches, 2008; Papanastasiou et al., 2003; Wenglinsky, 1998). Nous allons
maintenant regarder plus en détail s’il pourrait également exister une relation entre
l’utilisation pédagogique des TIC, la motivation à apprendre et l’engagement scolaire.
2.3.1.2 L’incidence de l’utilisation scolaire des TIC sur la motivation et
l’engagement
Les nombreuses études qui ont exploré l’utilisation des technologies de l’information et
de la communication concluent que celle-ci agit positivement sur la motivation des
élèves (Medina, 2005; Ofcom, 2008), l’interaction et la rétroaction avec l’apprenant
(Murphy, 2003), l’ajustement du niveau de la difficulté de la tâche (Passey et al., 2004),
tout en rejoignant les intérêts personnels des élèves (Balanskat, Blamire et Kefala, 2006;
Kubey, Lavin et Barrows, 2001). L’utilisation des TIC peut aussi améliorer la valeur
accordée à une tâche ainsi que les attentes de succès des élèves face à cette tâche.
Qui plus est, les TIC permettent de capter et de retenir l’attention des élèves des deux
sexes. Par le passé, on a souvent rapporté que les technologies étaient plutôt une affaire
de garçons que de filles (Badagliacco, 1990; Dambrot, Watkins-Malek, Marc Siling,
Marshall et Garver, 1985; Shashaani, 1994; Whitley, 1997). Plus récemment, malgré le
fait que les études semblent rapporter que les garçons conservent un intérêt général plus
45
grand que les filles envers les technologies (Chan-Lin, 2008), plusieurs auteurs
concluent que les filles ont beaucoup de plaisir à utiliser les technologies (Condie et
Munro, 2007). Les recherches les plus récentes rapportent que les filles démontrent
beaucoup d’intérêt envers les TIC lorsque les activités ont un but précis et qu’elles
rencontrent leur intérêt (Kay, 2007). Les étudiantes de niveau universitaire disent
éprouver davantage de satisfaction à l’utilisation des technologies que ne le font les
garçons (Ginger Holmes et al., 2003). Elles se sentent toujours un peu moins
compétentes que les garçons en ce qui concerne les technologies, mais elles
entretiennent un attrait équivalent à celui des garçons (Shashaani et Khalili, 2001). Bien
que l’intérêt pour les TIC ait été pour un temps typiquement masculin, la situation est
dorénavant plus complexe; et il n’y a pas de réalité unique, mais plutôt une combinaison
de facteurs qui peuvent influencer positivement ou négativement l’intérêt envers les TIC
(Tømte et Hatlevik, 2011).
L’intérêt envers la tâche a souvent été ciblé comme un élément important de la
motivation. L’élève doit tout d’abord être captivé et vouloir faire la tâche pour s’engager
(Pintrich et al., 1993). Selon certains auteurs, le contenu interactif et le multimédia
favorisent l’intérêt situationnel des élèves. Ils sont plus attentifs et plus persévérants au
moment des activités (European Schoolnet, 2004; Higgins et al., 2005). De plus,
l’exposition fréquente aux technologies chez les plus jeunes augmente le plaisir à
l’ordinateur des élèves (Collis, 1996), en plus de favoriser une attitude positive envers
les technologies (Clark, 1997; Hennessy, 2000; Levine et Donitsa-Schmidt, 1998) et
d’augmenter le sentiment d'appartenance à un groupe d'apprenants et même à des
communautés d'experts (Mistler-Jackson et Songer, 2000). Généralement, l’ordinateur
46
apporte de la nouveauté et un attrait tout particulier à la réalisation d’une activité.
Néanmoins, nous constatons que pour développer un intérêt pédagogique à l’aide des
technologies, plusieurs éléments sont à considérer : le contexte d’intégration, le type
d’activité et l’intérêt personnel des élèves (Butler, 2000; Chan-Lin, 2008; Karsenti,
2003).
Les projets intégrants les technologies favorisent également la motivation des élèves en
rendant les situations plus réalistes et en intégrant de l’interactivité dans les activités
(Murphy, 2003). LaVelle, McFarlane et Brawn (2003) ont constaté que l’ordinateur
permettait aux élèves de 11 et 12 ans de recevoir une rétroaction plus rapide et plus
instantanée à la suite d’expériences virtuelles. Par ce processus interactif, les élèves
développent leur indépendance et leur autonomie (LaVelle et al., 2003).
Les TIC permettent à l’enseignant de concevoir des leçons où l’élève pourra apprendre
des notions plus complexes. Plusieurs études ont démontré la pertinence d’utiliser les
TIC dans ces contextes (Barron, Walter, Martin et Schatz, 2010; Broos et Roe, 2006;
Passey et al., 2004). La facilitation de l’acquisition des compétences plus complexes
mène au succès dans les tâches, ce qui favorisera en retour les attentes de succès futurs
et le sentiment de compétence.
Les enseignants voient également dans les technologies une grande source de motivation
pour leurs élèves. Dans une étude menée en France, les enseignants ont une vision très
positive de l’intégration des technologies en éducation (ministère de l'Éducation
nationale, 2006). Dans le même sens, une étude menée auprès d’élèves et d’enseignants
de la 5e à la 8e année dans quatre pays scandinaves rapporte que lorsqu’ils utilisent les
47
technologies dans la classe, les enseignants constatent que les élèves travaillent
davantage et plus longtemps (Ramboll Management, 2006).
Somme toute, l’utilisation des technologiques de l’information et de la communication
reçoivent généralement la faveur des enseignants et des élèves. Néanmoins, il est
souvent nécessaire de tenir compte du contexte des TIC en classe : « … que ce sont
plutôt le type et le contexte d'intégration pédagogique des TIC en éducation qui auront
un impact ou non sur la réussite éducative des apprenants » (Karsenti, Goyer, Villeneuve
et Raby, 2005, p. 27). Cela dit, il ne faut pas croire que les technologies sont la panacée
à tous les maux. Russell (1999) a répertorié plus de 355 études faisant état de ce qu’il a
appelé le « The no significant difference phenomenon ». Il conclut qu’il n’existe pas de
différence sur le plan des apprentissages réalisés entre une classe qui intègre les TIC de
celle qui ne les intègre pas. Dans le même ordre d’idée, Ungerleider (2002) rapporte
qu’une grande partie des études existantes ne sont pas assez rigoureuses, et qu’il
conviendrait d’effectuer de meilleurs choix méthodologiques afin d’arriver à des
résultats de recherche plus concluants et plus utiles dans le domaine de l’éducation.
2.3.1.3 Les types d’utilisation
Un résultat faisant consensus est la complexité des facteurs de succès à l’intégration des
technologies. Plusieurs facteurs peuvent influencer les chances de succès d’un projet
intégrant les TIC à l’école. Les types d’utilisation semblent être un de ces facteurs. Tous
les usages ne sont pas forcément favorables aux apprentissages, et même que cela peut
varier selon la matière. Par exemple, Papanastasiou, Zembylas et Vrasidas (2003) ont
conclut que l’utilisation à l’école peut être liée de façon négative ou positive au
48
rendement, mais que le résultat est modéré par le type d’usage. Par exemple, ils ont
constaté que les élèves qui étaient plus à l’aise avec le traitement de texte obtiennent de
meilleures notes en sciences. De façon assez surprenante, il rapporte un lien négatif entre
l’usage des logiciels éducatifs et le rendement. Toutefois, il explique ce résultat par le
fait que les enseignants ont tendance à assigner l’utilisation de logiciels éducatifs aux
élèves plus faibles (Papanastasiou, 2002). Parmi les usages populaires, nous
examinerons un peu plus en détail le jeu, la communication, l’Internet et le multimédia.
Le jeu à l’ordinateur est parmi l’utilisation la plus fréquence de l’ordinateur (OCDE,
2006; Piette et al., 2006; Veenhof et al., 2005), mais est-ce qu’il y a des avantages
pédagogiques à jouer à l’ordinateur dans le cadre d’activité scolaire? Des études arrivent
à des conclusions plutôt positives, car elles considèrent que le jeu peut être utilisé à des
fins pédagogiques et il permet de motiver et de captiver l’attention des élèves à l’école
(Cagiltay, 2007; Schaefer et Warren, 2004). Le jeu peut également stimuler positivement
l’apprentissage et avoir une certaine valeur éducative (Countries, 2009). Toutefois,
même si un jeu pourrait favoriser les apprentissages en histoire par exemple, les
apprentissages ne sont pas nécessairement réalisés : « Even where the context seems to
be relevant to curriculum content, the contribution this made to the child’s learning may
be very peripheral. » (Countries, 2009, p. 12). En fin de compte, la dynamique qui
s’installe entre le jeu à l’ordinateur, les apprentissages scolaires et le développement des
compétences est assez complexe. Il faut plutôt voir ces liens comme modérateur ou
médiateur en fonction du contexte et du degré d’utilisation avec le jeu. Si le jeu est
utilisé dans un contexte pédagogique ou favorise l’utilisation de compétences cognitives,
49
il permettra l’acquisition de connaissance à l’école. Par contre, si le jeu devient une
distraction par rapport à l’activité d’apprentissage, il jouera un rôle plutôt négatif.
L’utilisation des technologies comme moyen de communication est souvent rapportée
comme moyen pédagogique favorable à l’apprentissage. Les TIC permettent à l’élève de
pouvoir échanger de l’information, de partager des expériences avec d’autres élèves (par
le moyen de la correspondance) et d’observer d’autres cultures (Brousseau et Vazquez-
Abad, 2003; Lin et Chen, 2004; Vazquez-Abad, Chouinard, Rahm, Roy et Vézina, 2005;
Yen, 1999). Ces échanges permettent de favoriser la compréhension, de communiquer
avec des experts du domaine et de diversifier les sources d’information (Laferrière,
1999). Ainsi, cela élargit le réseau social de l’élève, tout en lui fournissant des
ressources variées et motivantes.
Avec plus d’un milliard d’internautes, 200 millions de sites Web et un niveau de
popularité égalant même celui de la télévision (Netcraft, 2009), Internet est devenu un
incontournable, et ce, dans toutes les sphères de la société. Au Canada, une récente
enquête rapporte que 72 % des canadiens naviguent sur Internet (Piette et al., 2006).
Chez les jeunes, 99 % rapportent connaître Internet et y naviguer (Piette et al., 2006).
Internet est dorénavant très utilisé dans le contexte des devoirs et de la recherche
(Arafeh et Levin, 2003). Les cyberquêtes1 représentent un moyen original utilisé dans
nos écoles pour tirer profit de la recherche sur Internet (Bernie, Molebash, Bell et
Mason, 2002; Boechler, Leenaars et Levner, 2008; Weller et Chiavacci, 1999). Les
élèves rapportent qu’Internet permet de compléter plus rapidement les devoirs, facilite la
1 Une cyberquête ou « webquest » se définit comme : « Le webquest ou cyberquête est une activité de recherche structurée dans le World Wide Web conduit par des apprenants » (Wikipedia, 2011)
50
recherche d’information et que les ressources y sont davantage à jour. Avec Internet, les
élèves se disent moins à risque à se retrouver dans une impasse durant leur étude.
Somme toute, Internet permet une meilleure gestion du temps entre les activités scolaires
et les intérêts personnels (Levin et Arafeh, 2003).
Avec les technologies qui évoluent rapidement, les projets utilisant les TIC deviennent
de plus en plus complexes. Le multimédia apporte une valeur ajoutée aux activités. Il
peut s’agir de projets où les élèves créent ou utilisent l’image, le son et la vidéo comme
support à l’apprentissage (Benney, 2001; Coleman, Neuhauser et Vander Zwaag, 2004),
créent une présentation avec sons, images et vidéos (Liu et Hsiao, 2002), programment
des sites Web (Bodner, 2004) ou conçoivent des DVD (Barnett et Calhoun, 2008). Tous
ces projets demandent aux élèves d’utiliser du multimédia afin de réaliser divers
apprentissages. La vidéo et le son deviennent des modes de représentation de la réalité
des élèves (Depover et al., 2007). Ces éléments interactifs font de nos jours partie
intégrante de la réalité des jeunes et permettent au milieu éducatif d’aider les élèves à se
surpasser dans de nouveaux contextes. Ils demandent néanmoins un niveau de
compétence un peu plus élevé avec les technologies que les applications plus communes.
On utilise maintenant les simulations et les didacticiels afin de faciliter l’apprentissage et
de surmonter des problèmes spécifiques chez les jeunes. Par exemple, il est possible de
pratiquer et d’exercer en anglais à partir d’outils technologiques (Satoshi, Shinichi,
Seinosuke et Ming, 2002). Plusieurs didacticiels sont également disponibles en ligne :
Gcompris, Tutoriaux Excalibur, VTrain, etc. Peu importe la nature de ces outils, ils
51
interagissent avec l’élève afin de lui fournir les éléments nécessaires à ses
apprentissages.
Les sciences sont un sujet où l’on fait particulièrement appel à des compétences
technologiques. D’une part, les études ont démontré que le raisonnement scientifique et
l’apprentissage sont améliorés grâce à un curriculum intégrant les technologies (Friedler,
Nachmias et Songer, 1989; Osborne et Hennessy, 2003; Renaud, 1998; Wenglinsky,
1998). D’autre part, les enseignants de sciences ont souvent une préférence à l’utilisation
des technologies (Gray et Souter, 2000). D’ailleurs, le curriculum du Québec intitule le
domaine d’apprentissage en lien avec les sciences : « Domaine de la mathématique, de la
science et de la technologie ». L’ordinateur permet, entre autre, de faire des simulations
et d’utiliser les logiciels pour illustrer des concepts plus complexes en sciences
(McFarlane et Sakellariou, 2002; Wenglinsky, 1998). De plus, cela facilite l’accès aux
ressources qui sont davantage à jour dans ce domaine (Osborne et Hennessy, 2003).
Parmi les différents usages les plus populaires chez les jeunes, il semble essentiel
d’identifier ceux qui pourraient avoir un effet significatif à l’école. Comme le soulève
Karsenti (2003), il est important de trouver la juste combinaison, et de faire une
utilisation dite « pédagogique » des TIC : « Dans certains contextes2, les technologies
peuvent favoriser la motivation à apprendre, intensifier la démocratisation des savoirs
fondamentaux et favoriser de meilleurs apprentissages. » (Karsenti, 2003, p. 3). Cela dit,
les nouvelles habitudes technologiques des jeunes se doivent d’orienter les études dans
le domaine.
2 L’auteur soulève plus tôt dans l’article que : « L’effort d’intégration des TIC n’aurait d’ailleurs d’intérêt que dans la mesure où les technologies permettent soit à l’enseignant d’améliorer sa pédagogie, soit à l’apprenant d’établir un meilleur rapport au savoir. ».
52
2.3.2 L’incidence de l’utilisation des TIC à des fins personnelles
Au départ, les différentes études se sont surtout intéressées aux répercussions que
pourrait avoir l’utilisation des technologies sur le développement des compétences
technologiques (Bork, 1985; Nichols, 1992; Subrahmanyam, Kraut, Greenfield et Gross,
2000). Bork, en 1985, prévoyait déjà que l’ordinateur à la maison pourrait avoir une
influence centrale sur le système éducatif. Nichols (1992) conclut qu’il pourrait y avoir
un lien entre l’utilisation personnelle de l’ordinateur et les compétences technologiques
de base : les élèves qui utilisent des logiciels à la maison améliorent davantage leur
compétence avec les technologies (« Computer Literacy »). Cette compétence
technologique devient tellement importante au 21e siècle, que certains auteurs la classent
parmi les critères de l’alphabétisme et de la littératie (Fernandez, 2005; Limage, 2006).
En effet, plusieurs études indiquent que les habitudes et les pratiques technologiques se
développent davantage à la maison qu’à l’école (Bristish Educational Communication
and Technology Agency, 2003; Bussière et Gluszynski, 2004; Clotfelter, Ladd et
Vigdor, 2008; Piette et al., 2006). Plus encore, Piette et al. (2006) rapportent qu’au cours
des dix dernières années, le niveau d’utilisation de l’ordinateur à l’école a diminué au
profit de l’utilisation à la maison, et ce, malgré tous les efforts déployés par le milieu
scolaire.
Selon Vekiri et Chronaki (2008), les types d’utilisation sont très variés en dehors de
l’école chez des grecs de 6e année (n = 340) : le jeu (82,9 %), le traitement de texte
(59,1 %), la recherche sur Internet (55,0 %), le dessin (53,8 %), l’utilisation de logiciel
éducatif (33,3 %), et autres utilisations (<25 %). Le temps d’utilisation de l’ordinateur
53
est plus faible chez les filles que les garçons. De plus, ils rapportent que les garçons
utilisent davantage l’ordinateur pour le jeu. Ces résultats sont également appuyer par
Kent et Facer (2004), qui rapportent que 78 % naviguent à la maison et 72 % écrivent à
l’ordinateur à chaque semaine. Ils observent également que les garçons préfèrent le jeu
alors que les filles utilisent plus le traitement de texte.
Néanmoins, il existe peu d’études à ce jour qui mesurent les effets de l’utilisation des
technologies à des fins personnels sur le rendement, les apprentissages et la motivation à
apprendre. Selon Peck, Cuban et Kirkpatrick (2002), l’utilisation de l’ordinateur à la
maison pourrait « ouvrir » des portes sur l’apprentissage et inciter les élèves à persévérer
dans les études. Depuis un peu plus de dix ans, les chercheurs s’intéressent à ce
phénomène, avec des résultats parfois divergents (Attewell et Battle, 1999; Beltran et al.,
2005; Fairlie, 2005; Fuchs et Woessman, 2004; OCDE, 2006; Schmitt et Wadsworth,
2004). Nous allons examiner les quelques études qui se sont intéressées à la présence et
l’utilisation de l’ordinateur à des fins personnelles.
Dans une étude réalisée par Attewell et Battle (1999) avec des données récoltées en
1988 auprès d’élèves de deuxième secondaire, le fait d’avoir un ordinateur à la maison
avait plusieurs effets dignes de mention : les garçons performent mieux que les filles en
utilisant l’ordinateur, les élèves de milieux favorisés ont davantage de gains éducatifs
avec l’ordinateur que les élèves de milieux défavorisés. De plus, les minorités ethniques
bénéficient moins que les autres de la présence des technologies. Ils concluent qu’au lieu
de diminuer les différences entre les groupes (pauvres-riches ; filles-garçons ;
immigrants-autochtones), les technologies accentuent les écarts puisque malgré la
54
présence de l’ordinateur, les groupes plus aisés, les garçons et les autochtones passent
plus de temps à utiliser les technologies. Basée uniquement sur la présence ou l’absence
de l’ordinateur, cette étude n’a pas considéré, selon nous, un élément essentiel : la
fréquence d’utilisation de l’ordinateur. De plus, il est difficile de penser que ces résultats
pourraient se comparer à la situation actuelle, où l’ordinateur est implanté dans une
grande majorité des foyers, contrairement à cette étude, où 28 % des foyers possèdent un
ordinateur à la maison, et principalement chez les gens aisés.
Utilisant les données du sondage « British Household Panel Survey », mené entre 1991
et 2001, Schmitt et Wadsworth (2004) ont observé le lien entre la possession d’un
ordinateur à la maison et les différents succès scolaires. Ils ont utilisé les données des
jeunes âgés entre 15 et 18 ans. Ils concluent que les élèves qui ont accès à un ordinateur
à la maison obtiennent de meilleurs résultats à l’école, et ce, en contrôlant les différentes
variables externes (statut socioéconomique, région, les individus, etc.). Encore une fois,
le type et le temps d’utilisation n’ont pas été considérés.
Beltran et ces collaborateurs (2005) ont mené des analyses à partir de trois bases de
données : « Computer and Internet Use Supplements », « Current Population Survey » et
« National Longitudinal Survey of Youth 1997 ». Ils ont conservé uniquement les jeunes
âgés entre 12 et 16 ans. L’objectif de leur recherche était de déterminer les relations
possibles entre l’utilisation de l’ordinateur à la maison, la complétion des études, les
notes et les comportements déviants (suspension de l’école, délinquance à l’école, etc.).
Dans leur échantillon (basé sur les données de 2003), 81,1 % des élèves avaient accès à
un ordinateur à la maison. Même en contrôlant pour une grande partie des variables, les
55
auteurs rapportent que l’ordinateur à la maison augmente de 6 % à 8 % les chances
d’obtenir son diplôme à la fin des études secondaires. Leur étude indique également un
lien positif important entre les notes et la présence de l’ordinateur à la maison. Somme
toute, leurs résultats proposent que les élèves qui ont un ordinateur à la maison
obtiennent de meilleures notes et ont davantage de chances de réussite à l’école.
Jackson, et al. (2006) ont étudié le lien entre l’utilisation d’Internet et la performance
scolaire de jeunes enfants de milieu défavorisé. Leur étude a été réalisée auprès de 140
élèves, principalement afro-américains, âgés entre 12 et 14 ans. Les auteurs concluent
que les élèves qui utilisent Internet ont de meilleurs scores aux tests de lecture que les
élèves qui n’utilisent pas les ordinateurs, ce qui appuie les résultats d’autres études
(Attewell et Battle, 1999; Beltran et al., 2005).
Un communiqué de presse s’appuyant sur la grande enquête PISA a titré dans les
médias: « Regular computer users perform better in key school subjects, OECD study
shows » (OCDE, 2006). Le projet PISA a cumulé des informations sur la performance
des élèves en mathématiques, en lecture, en sciences, et ce, à partir de divers tests de
connaissance, auprès de 41 pays, chez des jeunes âgés entre 15 et 16 ans. Ils ont aussi
utilisé des questionnaires d’habitudes auprès des élèves et des questionnaires s’adressant
aux directions d’écoles. Les analyses de départ ont consisté à établir un portrait
technologique des élèves selon les pays. Par exemple, nous constatons que l’expérience
d’utilisation ainsi que le lieu d’utilisation varient passablement entre les pays. Au
Canada, 88 % des répondant rapportent utiliser l’ordinateur depuis plus de 3 ans. De
plus, 95 % rapportent avoir accès à l’ordinateur à la maison et à l’école. Néanmoins,
56
40 % rapportent utiliser l’ordinateur de façon fréquente à l’école, alors que 90 %
rapportent l’utiliser de façon fréquente à la maison. Il s’agit d’un contraste très important
sur les habitudes d’utilisation entre l’école et la maison. Ce fossé technologique est
également observé par l’enquête Médiapro (2006). L’élément le plus intéressant de leur
enquête est le lien qu’ils établissent entre la performance à l’école et l’utilisation
personnelle de l’ordinateur. Ils concluent que les élèves qui rapportent avoir un accès
limité aux technologies performent moins bien, et même en contrôlant le milieu
socioéconomique des élèves. De plus, les élèves qui rapportent avoir moins d’expérience
avec l’ordinateur et qui l’utilisent peu fréquemment à la maison, performent également
moins bien. En plus de l’utilisation, le niveau de confiance avec l’ordinateur aurait aussi
un lien positif avec le rendement en mathématiques.
Selon les analyses menées sur ces mêmes données de PISA chez les jeunes de 15 ans par
Papanastasiou et Ferdig (2006), ils rapportent que l’utilisation fréquente du traitement de
texte (sans contexte particulier) est reliée de façon positive avec un haut niveau de
compétence en mathématiques. Dans la même étude, un résultat assez surprenant
rapporte que les élèves qui se disaient à l’aise à l’ordinateur et qui passaient davantage
de temps avec des logiciels de dessin, semblaient plutôt avoir un faible niveau de
compétence en mathématiques. Par conséquent, il conclut qu’il ne serait pas seulement
suffisant de passer du temps à utiliser l’ordinateur, mais que les élèves doivent plutôt
développer des processus cognitifs de plus haut niveau (« higher order thinking »)
(Papanastasiou et Ferdig, 2006). Certains auteurs rapportent des résultats similaires en
français. Ils établissent un lien entre le type d’utilisation et les aptitudes à l’école : les
usages orientés vers la lecture (traitement de texte et courriel) dans des contextes variés
57
sont corrélés positivement avec les compétences en français (Bussière et Gluszynski,
2004). Ces résultats semblent soutenir que des usages plus intellectuels des technologies
pourraient être liés de façon positive avec le rendement.
Toutefois, les résultats ne sont pas toujours aussi concluants. En ce sens, Wittwer et
Senkbeil (2008) ont repris les données et les analyses à partir de la base de données
PISA et ils obtiennent des résultats contraires à la première étude (OCDE, 2006), et
rapportent qu’ils ne trouvent pas de différence significative entre les élèves qui ont un
ordinateur et ceux qui n’en n’ont pas. Ils concluent plutôt que l’effet serait présent
uniquement pour un petit groupe d’élèves qui utilisent l’ordinateur dans un contexte
exigeant davantage de compétences (« problem-solving activities »).
L’étude menée par Fuchs et Woessman (2004) auprès d’élèves de 15 ans (provenant
d’une base de données de PISA d’environ 86 855 élèves) conclut plutôt que la présence
d’un ordinateur à la maison est corrélée de façon négative avec la performance en
mathématiques et en lecture. Néanmoins, il rapporte également que la performance
générale des élèves est corrélée de façon positive avec l’utilisation de l’ordinateur
(courriel, navigation sur Internet). Il propose d’être prudent sur les liens de causalité que
l’on peut établir, étant donné le grand nombre de variables pouvant avoir une influence
sur le rendement.
En ce sens, certains auteurs concluent que le temps passé à jouer à l’ordinateur serait
négatif sur la réussite scolaire puisqu’il nuit aux études (Harris, 2001; Smyth, 2007).
Selon eux, plus le temps d’utilisation de l’ordinateur est élevé à la maison, moins les
58
élèves performent bien. Il rapporte que cet effet est davantage prononcé chez les plus
jeunes et les plus pauvres (Wainer et al., 2008).
Néanmoins, certaines de ces études n’ont apporté aucune nuance en ce qui a trait aux
types d’usage que les jeunes en font, ce qui selon nous, pourrait avoir un effet
significatif. De plus, il faut mentionner que selon certains auteurs, les utilisateurs
modérés obtiennent des notes plus élevés mais que les utilisateurs trop fréquents ont
rapporté des notes plus faibles (Durkin et Barber, 2002). Par conséquent, le type et le
temps d’utilisation des TIC à des fins personnelles pourraient jouer un rôle sur les effets
sur le vécu scolaire des élèves.
Ce corpus d’études, bien que d’approche corrélationnelle a permis de générer un champ
d’intérêt nouveau : l’incidence de l’utilisation personnelle des technologies sur des
éléments du contexte scolaire.
2.3.2.1 Les profils d’utilisateurs
Il existe maintenant de nombreux usages populaires des technologies. Il est possible
d’utiliser l’ordinateur pour réaliser un grand nombre de tâches, et ce, sur la majorité des
ordinateurs personnels. Il est possible de : naviguer sur Internet, jouer à des jeux,
communiquer, créer différents types de documents, faire du traitement audio-vidéo, etc.
Les auteurs ont constaté la pertinence de mieux comprendre la dynamique qui s’installe
entre les usages et d’établir des profils d’usager.
À partir d’un échantillon de 1434 jeunes, Beauvisage (2009) a déterminé cinq profils
d’utilisateurs :
59
Le profil orienté vers le Web : utilise principalement le Web et passe 63 %
de leur temps sur Internet.
Le profil « Messagerie instantanée » : utilise les différents moyens de
communication instantanés comme la messagerie instantanée et le
clavardage sur Internet.
Le profil joueur : passe 42 % du temps à l’ordinateur à jouer à des jeux, et
majoritairement à des jeux non éducatifs qui consomment beaucoup de
temps.
Le profil multimédia : passe la majorité de leur temps à des utilisations
audio-vidéos et les échanges entre usagers. Ce groupe partage de nombreux
éléments avec le profil de messagerie instantanée, avec une utilisation plus
importante du partage de fichiers.
Le profil « sérieux » : consacre 20 % de leur temps à utiliser les outils de
bureautique et 16 % de leur temps avec le courriel. Ils consacrent très peu de
temps au multimédia et à la messagerie.
Bibeau (2007) propose également une typologie à six niveaux. Le projet ORDINA-13,
menée en France auprès d’élèves de 11 à 14 ans, a permis de tracer ces profils : les
« ludiques-communicants », les « pragmatiques », les « poly-compétents », les « leaders
technologiques » et les « opportunistes relationnels ». Une dernière catégorie est
constituée par ceux qui n’utilisent pas les technologies.
Les « ludiques-communicants » utilisent quasi-exclusivement les outils de
communication comme MSN. Bien qu’il s’agisse souvent de la porte
60
d’entrée pour développer des compétences technologiques, le faible niveau
d’exigence technique fait qu’ils ont des compétences techniques très
limitées.
Les « pragmatiques » utilisent les technologies principalement pour leur
intérêt personnel. Ils sont plus avancés que les ludiques communicants.
Les « poly-compétents » présentent un profil plus versatile. Grâce à leur
niveau de compétence plus avancé, ils peuvent réaliser des tâches scolaires.
En général, les élèves de ce profil possèdent un ordinateur connecté à
Internet à la maison.
Les « leaders technologiques » possèdent une connaissance très avancée des
TIC. Ils servent souvent de références dans leurs classes.
Les « opportunistes relationnels » ressemblent fortement aux « poly-
compétents » pour ce qui est des compétences technologiques. Ce profil est
caractérisé par un environnement pauvre en informatique à domicile, et ils
ont développé leurs connaissances grâce à leur réseau de relations.
Selon les résultats des différentes études, une question reste en suspend : est-ce que les
apprenants axés vers des usages multiples des technologies auront des caractéristiques
motivationnelles plus positives que les usagers « joueurs » et « sociaux » qui risquent
d’utiliser l’ordinateur pour leurs loisirs personnels au détriment de l’école? En ce sens,
les utilisateurs occasionnels pourraient également « souffrir » d’un manque de
compétences TIC, ce qui nuirait à leur motivation à apprendre.
61
2.4 La présente étude
Somme toute, la majorité des études sur l’utilisation personnelle de l’ordinateur semble
converger vers certains effets positifs sur le rendement et l’apprentissage, et ce, même
après avoir contrôlé différentes variables sociodémographiques. Toutefois, on retrouve
aussi des études qui ne sont pas aussi favorables. On a constaté assez souvent qu’il n’y a
pas eu de réel effet sur le vécu scolaire, ou même que les liens étaient plutôt négatifs
entre l’utilisation des TIC à des fins personnelles et le vécu scolaire. Les hypothèses sont
nombreuses : le contexte d’utilisation n’était pas favorable, d’autres facteurs étaient en
cause, l’âge ou la matière modéraient les résultats. Par conséquent, ces résultats ambigus
laissent envisager une certaine instabilité dans la dynamique qui s’est installé entre
l’utilisation personnelles des TIC, l’intégration pédagogique des TIC et l’école.
Aucune étude à notre connaissance n’a tenté d’établir le lien entre l’utilisation
personnelle des technologies, la motivation à apprendre et l’engagement scolaire. À la
lumière des nombreuses études sur la motivation, les technologies à l’école et la
compétence technologique, il semble à propos de jeter un nouveau regard sur les liens
possibles entre ces différentes variables. Basé partiellement sur le modèle de Chouinard
et Archambault (2003), le modèle suivant a été utilisé afin d’illustrer les liens possibles
entre l’utilisation personnelle des technologies, l’intérêt, la motivation et l’engagement à
l’école (Figure 2).
62
Figure 2 : Modèle des relations TIC – motivation - engagement
Malgré les nombreuses études menées sur la motivation et sur les TIC, très peu ont
étudié le sujet sous l’angle qui est proposé dans ce projet. En effet, les jeunes ont
maintenant différents niveaux d’habiletés technologiques et ne possèdent pas
nécessairement les mêmes habitudes face au TIC. En parallèle, on note que l’utilisation
des TIC semble avoir un effet important sur les attitudes et comportements scolaires : les
jeunes apprennent plus de choses et plus rapidement, et sont plus motivés lorsqu’ils
utilisent les nouvelles technologies en classe.
Basé sur les modèles d’apprentissage liés à la télévision, Fiorini (2009) suggère qu’il
peut y avoir trois façons où les activités à l’ordinateur pourrait influencer le
développement de l’élève : selon le contenu, le temps consacré ou le type d’activité ( la
stimulation intellectuelle fournie par l’activité). De nombreux projets intégrants les
technologies font leur apparition dans nos écoles, et ce, dans toutes les matières du
curriculum. À l’inverse, le temps d’utilisation de l’ordinateur dans les classes stagne ou
diminue au profit du temps d’utilisation à la maison. Ainsi, l’élève qui arrive avec de
meilleures compétences et aptitudes face au TIC, et qui a la chance de passer davantage
Sentiment de compétence
L’intérêt accordé à la tâche
Buts d’accomplissement
Engagement scolaire
Fréquence et types d’utilisation des TIC à des fins personnelles
63
de temps à l’ordinateur à la maison pourrait avoir une longueur d’avance sur les autres
pour la réalisation d’activité liée à l’utilisation des technologies.
Les études semblent supporter l’idée que le développement des compétences
technologiques semble avoir un certain lien avec les compétences scolaires. La
fréquence d’utilisation et le type d’utilisation de l’ordinateur pourrait jouer le rôle
« d’outils de base » sur le développement des compétences, et ainsi faciliter les
apprentissages scolaires, en agissant sur la motivation à apprendre. Notre hypothèse
serait que l’utilisation personnelle des technologies pourrait jouer un rôle sur les
déterminants de la motivation, en facilitant l’acquisition de compétences technologiques,
qui sont à leur tour utilisées dans le cadre d’activité scolaire. L’acquisition de ces
compétences pourrait permettre à l’élève d’être plus à l’aise à la réalisation d’une tâche
scolaire sollicitant l’usage des technologies, et ainsi favoriser sa motivation à apprendre
et sa persévérance dans la tâche.
Néanmoins, à la lumière des études antérieures, nous croyons que le profil
technologique pourrait jouer un rôle important sur la motivation à apprendre. Ainsi, il ne
serait pas suffisant d’utiliser l’ordinateur, mais les usages qui sollicitent davantage des
compétences cognitives significatives auraient un effet plus important (Bussière et
Gluszynski, 2004; Papanastasiou et Ferdig, 2006). Le cours de sciences possède un
attrait particulier pour valider cette hypothèse, car les technologies de l’information et de
la communication semblent être bien ancrées dans les habitudes des enseignants et des
élèves des cours de sciences (Gray et Souter, 2000) et font partie du programme de
sciences du secondaire au Québec (Gouvernement du Québec, 2006).
64
Notre étude permettra ainsi de mieux comprendre l’importance du « bagage »
technologique avec lequel les élèves se présente à l’école, et ainsi établir des plans
d’intervention. La motivation à apprendre est considérée comme l’une des clés du succès
dans les études. Bien que de très nombreuses recherches ont étudié les variables (le sexe,
l’âge, l’environnement scolaire, le milieu, l’enseignant, etc.) pouvant avoir une influence
sur la motivation à apprendre, tout n’a pas encore été exploré. D’autant plus qu’avec
l’évolution technologique que vit notre société, il serait à propos d’étudier ce
changement de réalité : les nouvelles habitudes technologiques des jeunes.
Le but du présent projet de thèse est d’étudier le lien entre les habitudes personnelles à
l’endroit des technologies de l’information et de la communication (TIC), la motivation
à apprendre et l’engagement. À cet effet, la motivation pour les sciences pourrait
constituer une première étude exploratoire intéressante puisque cette discipline fait
souvent appel à certaines compétences associées à l’utilisation des technologies. Les
objectifs spécifiques de la présente étude sont :
Objectif 1 : Dégager des profils d’utilisateurs à partir des différentes utilisations
de l’ordinateur à des fins personnelles.
Objectif 2 : Distinguer les profils d’utilisateurs au plan de la motivation pour les
sciences (sentiment de compétence, anxiété, intérêt et buts d’accomplissement)
et de l’engagement.
Objectif 3 : Déterminer le rôle des différentes utilisations de l’ordinateur sur les
variables motivationnelles retenues et l’engagement, et ce, en fonction des
différents profils d’utilisateurs.
Chapitre 3. Méthodologie
Cette thèse utilise des données recueillies par le projet SCIENTIC, financé par le
FQRSC en 2005-2006. Dans ce projet de recherche-action, l’équipe de chercheurs, en
collaboration avec les enseignants des écoles participantes, a évalué l’implantation des
TIC dans les classes de sciences au secondaire. L’équipe de chercheurs a mesuré les
effets de ce projet à l’aide de questionnaires sur la motivation, sur les attitudes et
habitudes envers les TIC. Nous avons utilisé uniquement les données de la première
collecte de ce projet de recherche, avant l’implantation du projet.
3.1 Participants
L’échantillon est composé de 331 élèves (152 filles et 179 garçons) du cours ordinaire
de sciences et technologie au premier cycle du secondaire. Ces élèves provenaient de
cinq écoles publiques francophones de la région de Montréal et de la Rive-Sud. L’âge
moyen était de 13 ans (écart type = 1 an).
3.2 Instrument
Différentes échelles d’attitudes ont été utilisées afin de recueillir les données relatives
aux variables définies précédemment (le sentiment de compétence, l’intérêt, l’anxiété,
les buts d’accomplissement, l’engagement et les habitudes personnelles avec les TIC).
Le questionnaire était divisé en deux parties : les échelles sur la motivation à apprendre
en sciences et les habitudes reliées aux technologies de l’information et de la
communication. Il s’agissait de données autorapportées, ce qui est un type de mesure
66
d’usage courant dans les études portant sur les perceptions de soi et dont la validité
méthodologique a été confirmée par la recherche (Assor et Connell, 1992). Les échelles
initiales mesuraient, dans certains cas, la motivation scolaire en général. Par conséquent,
les items des échelles ont été formulés afin de correspondre au contexte spécifique de la
motivation en sciences. Par exemple, au lieu de « J’aime l’école. », on pouvait
lire « J’aime mon cours de sciences. ».
3.2.1 La motivation à apprendre en sciences
Les participants ont répondu aux sous échelles à l’aide d’une échelle de type Likert à six
entrées (de «Fortement en désaccord» à «Fortement en accord»). Sept sous-échelles
différentes ont été utilisées afin de mesurer la motivation à apprendre et l’engagement.
Le sentiment de compétence en sciences a été mesuré à partir de huit items produits par
Hsiao-Lin, Chi-Chin, et Shyang-Horng (2005). Cette échelle permet de mesurer la
perception qu’a l’élève de sa capacité à réussir une tâche en sciences : «Peu importe la
quantité d’efforts que je fournis, je ne peux pas apprendre les sciences.». L’anxiété reliée
aux sciences a été mesurée à partir de sept items. Cette échelle, produite par Simpson et
Oliver (1985) mesure le niveau d’anxiété qu’a l’élève dans le contexte de
l’apprentissage des sciences : « J’ai mal au cœur quand j'entends le mot « sciences ».».
La typologie à trois types de buts d’accomplissement a été retenue pour l’étude. Les
échelles utilisées proviennent de Bouffard et al. (1998). Les buts de maîtrise-approche
ont été mesurés à partir de sept items. Cette échelle mesure à quel point l'élève se fixe
des buts axés vers l’apprentissage : « En classe, j'aime les tâches difficiles si elles me
permettent d'acquérir de nouvelles connaissances. ». Les buts de performance-approche
67
ont été mesurés à partir de cinq items. Cette échelle mesure à quel point l'élève vise à
dépasser les autres et à obtenir les meilleures notes : « Ce qui est d’abord important pour
moi en sciences, c'est d'avoir des notes élevées. ». Les buts d’évitement du travail
(Bouffard et al., 1998) ont été mesurés à partir de quatre items. Cette échelle mesure à
quel point l'élève vise à en faire le moins possible : «En sciences, je fais seulement ce
qui est nécessaire pour éviter l'échec.».
L’intérêt pour les sciences a été mesuré à partir de sept items produits par Hsiao-Lin, Chi-
Chin, et Shyang-Horng (2005). Cette échelle mesure l’intérêt qu’a l’élève pour les
sciences : « J’aime beaucoup les sciences. ». L’engagement en sciences a été mesuré à
partir de cinq items, provenant de la combinaison de deux sources (Hsiao-Lin et al.,
2005; Vezeau et al., 1998). Cette échelle mesure le niveau de défi que représentent une
tâche et l’énergie investie afin de réaliser cette tâche. Il s’agit d’une combinaison de
deux types engagement : cognitif et comportemental. Les items ont été contextualisés
pour le domaine des sciences : « Lorsque que je n'arrive pas à résoudre immédiatement
un problème de sciences, je n'abandonne pas avant d'avoir trouvé la solution. ».
3.2.2 Les habitudes technologiques
Les habitudes technologiques ont été mesurées à partir d’échelles construites par
Karsenti et al. (2005). Nous avons d’abord utilisé des questions d’ordre général afin de
connaître le contexte technologique des élèves. Nous avons demandé s’il possédait ou
non un ordinateur, avec ou sans connexion à Internet, la fréquence d’utilisation de
l’ordinateur (à la maison et à l’école) et le temps passé sur Internet. Les usages
technologiques qui ont été évalués sont : la recherche Internet pour des devoirs, la
68
recherche Internet pour des besoins personnels, l’utilisation de logiciels éducatifs, de
jeux, du traitement de texte, d’Internet pour clavarder et pour la consultation du courrier
électronique. Les niveaux d’utilisation dans les contextes particuliers ont été mesurés à
partir d’une échelle à quatre items de type ordinale : Jamais, Quelques fois par mois,
Quelques fois par semaine ou Presque tous les jours.
3.3 Collecte des données
Les données ont été récoltées en début d’année, soit en octobre 2005. Le questionnaire
qui vient d’être décrit a été administré en 45 minutes durant les heures de classe. Cette
façon de faire possède l’avantage d’offrir un taux optimal de retour des questionnaires.
Le questionnaire a été administré dans les cours de sciences, avec le consentement des
enseignants et de la direction. Les consentements des parents et des élèves ont été
demandés (voir Annexe I et Annexe II). Les participants ont également été informés
qu’il pouvait se retirer de l’étude en tout temps, et que toutes les données étaient
confidentielles.
3.4 Plan d'analyse
Puisque les sous-échelles utilisées ont été traduites et conceptualisées pour le domaine
des sciences et que certaines échelles ont été assemblées à partir d’items existants et des
items élaborés par les chercheurs, des analyses factorielles ont été effectuées afin de
déterminer les items pertinents à la suite des analyses. Les analyses factorielles
exploratoires ont permis de déterminer le nombre de facteurs présents et jusqu’à quel
point la solution factorielle est conforme à la formulation initiale des échelles
69
(Tabachnik et Fidell, 1989). Ce type d’analyses est souvent utilisé en sciences sociales
pour valider les instruments de mesure (Bordeleau, Bouffard, Chouinard, Filion,
Romano et Vezeau, 1998 ; Dussault, Villeneuve et Daudelin, 2005 ; Palaigeorgiou,
Siozos, Konstantakis et Tsoukala, 2005). Ensuite, des analyses préliminaires de
consistance interne seront effectuées sur les échelles afin de s’assurer de la qualité des
échelles du questionnaire. Ces analyses permettent de déterminer si plusieurs items
donnent les mêmes résultats dans les mêmes circonstances (Durand, 1997).
Afin de dégager des profils d’utilisateurs (Objectif 1), des analyses typologiques ont été
effectuées. Ces analyses cherchent à identifier des sous-groupes homogènes de
population, à partir de variables prédéterminées (Howell, Yzerbyt et Bestgen, 1998).
Elles tentent d’organiser les sujets dans une structure compréhensible, à partir de
laquelle le chercheur pourra établir une nomenclature. Ces analyses peuvent être
appliquées sur tous les types de variables (numériques, continues, qualitatives, etc.).
Dans notre cas, les habitudes technologiques ont été les variables de classification à
l’étude. Les analyses « Two-Step » sont considérées plus appropriées avec un
échantillon de plus de 200 sujets (Garson, 2011b). Elles permettent de travailler sur des
données catégorielles ou continues, en plus de pouvoir analyser efficacement de larges
bases de données. Les classes d’analyse ont été élaborées à partir du coefficient de BIC
(« Bayesian Information Criterion ») qui permet au logiciel de calculer le nombre de
classe optimal lorsque la valeur du BIC est minimale.
À partir des différentes typologies identifiées, nous avons exploré les différentes
caractéristiques motivationnelles des élèves (Objectif 2). Pour ce faire, des analyses de
70
variance multivariées (MANOVA) ont été effectuées sur chacune des variables
motivationnelles retenues. Ainsi, il a été possible de déterminer s’il existe ou non des
différences de base au niveau de la motivation à apprendre selon le niveau d’utilisation
de l’ordinateur à des fins personnelles. Comme il y trois groupes de comparaisons, des
tests post-hocs ont été réalisés. Les logiciels statistiques proposent plusieurs tests post-
hocs : Scheffé, LSD, Bonferroni, Tukey, etc. Le test de Scheffé est considéré par
plusieurs comme étant le test le plus conservateur, et par conséquent, celui qui risque de
faire moins d’erreur de type I, mais plus d’erreurs de type II3 (Cardinal et Aitken, 2005;
Garson, 2011a). Il n’est pas limité aux comparaisons par paires. Toutefois, dès que le
nombre de groupes de comparaison augmente, la puissance du test diminue. Le test des
moindres différences de Fisher (LSD) est considéré comme le test le moins conservateur
(celui avec le plus grand risque d’erreur de type I). Néanmoins, certains auteurs
considèrent que dans le cas de comparaisons avec trois groupes, c’est le test le plus
puissant (Cardinal et Aitken, 2005) : « it is only suitable for three levels of a factor – in
which case it’s the most powerful test – but don’t use it otherwise ». Bien que le test de
Bonferroni soit souvent rapporté, il serait efficace pour un faible nombre de
comparaison, et aurait une puissance relativement faible (davantage d’erreurs de type II).
Finalement, le test de Tukey est, selon certains auteurs, le test le plus complet (Field,
2009; Little, 2001). Il permet autant de faire des analyses non-planifiées que planifiées
en plus d’offrir une bonne puissance d’analyse (moins de risque d’erreur de type II), en
plus de contrôler pour la taille des groupes. Cependant, il doit être fait avec l’ensemble
des comparaisons des groupes (contrairement au test de Scheffé qui permet de faire des
3 L’erreur de type I, c’est de rejeter l’hypothèse nulle lorsqu’elle est vraie alors que l’erreur de type II, c’est croire que l’hypothèse nulle est vraie alors qu’elle est fausse (Howell et al., 1998).
71
comparaisons prédéterminées). Selon nos conditions d’expérimentation (comparaison
non-planifiée et groupes inégaux) et comme nous voulons avoir des tests conservateurs
avec une bonne puissance, notre choix de test post-hoc s’est arrêté sur le test de Tukey
(Field, 2009; Garson, 2011a; Little, 2001; Newsom, 2006; Williams, 1998) pour
l’ensemble des analyses à venir.
Finalement, notre troisième objectif tentait d’explorer la complexité des liens entre les
variables motivationnelles et les liens hypothétiques qu’il pourrait y avoir avec les
usages technologiques. Nous avons construit un modèle avec équations structurantes à
variables latentes multigroupes (Byrne, 2010; Loehlin, 2004; Tabachnik et Fidell, 2007).
Ces analyses ont été réalisées à partir d’un logiciel de modélisation par équations
structurantes (AMOS). Essentiellement, ces analyses permettent de regrouper un
ensemble de procédures statistiques de façon simultanée telles que les régressions
multiples, les analyses factorielles et les analyses multigroupes, tout en étudiant des
variables latentes, ou inobservées. Cela nous a permis d’établir si la dynamique
motivationnelle est différente selon le groupe d’appartenance, et quels sont les effets des
différentes utilisations des technologies. De plus, nous avons établis des liens directs et
indirects entre les variables et vérifier l’importance relative de chacun de ces liens. Une
méthode appelée « parceling » a été utilisée pour la préparation à la modélisation. Cela
consiste à réduire le nombre d’items mesurés pour chaque variable latente en un nombre
plus restreint de facteurs en utilisant la moyenne des items. Bien que cette méthode est
parfois contestée, plusieurs auteurs ont démontré qu’elle apporte une plus grande
puissance d’analyse, augmente la fiabilité des indicateurs, simplifie le modèle et réduit
les risques d’erreurs de type 2 (Bandalos, 2002; Coffman et MacCallum, 2005; Hall,
72
Snell et Foust, 1999; Holt, 2004; Little, Cunningham, Shahar et Widaman, 2002; Yuan,
Bentler et Kano, 1997). Il est possible d’utiliser cette méthode si les facteurs mesurés
sont unidimensionnels (Holt, 2004) et que les construits sont bien connus (Bandalos,
2002). Contrairement à l’analyse de pistes, qui se réalise sur la moyenne totale des items
du construit, cette méthode considère l’erreur de mesure et nous a fourni des estimés des
effets plus valides (Coffman et MacCallum, 2005). Selon Nasser et Takahashi (2003), il
est préférable d’avoir moins de facteurs et plus d’items dans chaque facteur. Selon cette
hypothèse, nous réduirons chaque échelle à deux facteurs.
3.5 Validation des instruments de mesure
Avant de tenter de répondre à nos objectifs de recherche, il a été essentiel de vérifier la
validité et la fidélité des construits. Tout d’abord, nous présenterons les résultats des
analyses factorielles et de fiabilité qui ont permis de confirmer la valeur psychométrique
des échelles du questionnaire. Ces analyses permettent de regrouper les items à partir du
patron des corrélations. Le but de ces analyses dans cette thèse est de vérifier jusqu’à
quel point la solution factorielle est conforme aux échelles originales. Comme les
échelles proviennent de sources diverses, leurs propriétés factorielles n’ont pas été tous
vérifiées dans le contexte des sciences.
Les items ont été traités par sous-groupes, qui sont conceptuellement liés, afin de
déterminer les structures factorielles des items traitant de sujets semblables. L’analyse
factorielle avec extraction des moindres carrés a été préconisée. Comme le dit Durand
(1997), « Cette méthode est privilégiée lorsque les échelles de mesure sont ordinales ou
que la distribution des variables n'est pas normale. ». Dans la situation qui nous
73
intéresse, les échelles de type Likert représentent le cas classique d’une mesure ordinale.
De plus, contrairement à l’extraction par composantes principales (ACP), les échelles de
la solution n’ont pas à être orthogonales, c'est-à-dire indépendantes les unes des autres.
Cette méthode a aussi pour avantage de minimiser les résidus (Durand, 1997). Le
nombre de facteurs est établi à l’avance selon la source des items. Seulement les
composantes manquantes ont été exclues et une rotation OBLIMIN a été faite pour
faciliter l’interprétation des facteurs en maximisant la différence entre ceux-ci. Il s’agit
de la rotation la plus appropriée en sciences sociales, car elle suppose qu’il existe une
corrélation entre les échelles, comme c’est souvent le cas dans le domaine (Durand,
1997; Garson, 2011c). Seulement les items avec un coefficient de ,40 et plus ont été
considérés dans la création des échelles. Le test de Kaiser-Meyer-Olkin (KMO) a été
effectué à chaque fois afin de s’assurer qu’il existe une relation factorielle
statistiquement acceptable entre les items. Garson propose comme règle d’interprétation
qu’une valeur plus grande que ,60 du KMO est acceptable (Garson, 2011c). Selon
Durand (1997), une valeur au-delà de ,80 est tout à fait acceptable.
3.5.1 Analyses factorielles exploratoires
Le premier groupe de variable représente les perceptions de soi (le sentiment de
compétence et l’anxiété). La valeur du test de KMO pour le premier groupe est de ,84.
Cette valeur nous assure que nos données sont cohérentes et constituent un groupe de
mesures adéquat pour des analyses factorielles. Selon le Tableau I, cinq des huit items
correspondent à l’échelle de départ du sentiment de compétence ont été conservés (a17,
a21, a24, a28, a59) dans l’élaboration de l’échelle finale. L’item a56 provenant de
74
l’échelle d’anxiété ne sera pas conservé dans cette échelle, car il ne cadre pas bien sur le
plan théorique et n’améliore pas la consistance interne du sentiment de compétence.
Trois items seulement seront conservés pour l’échelle Anxiété en sciences : les items
a52, a80 et a85, puisque les autres items ont des valeurs inférieurs à ,40 ou saturent sur
l’autre facteur.
Tableau I : Matrice factorielle de type du premier groupe de variables (sentiment de
compétence et anxiété en sciences)
Sentiment de compétence
Anxiété en sciences
a24Pendant les activités de sciences, je préfère demander la réponse aux autres plutôt que de la trouver moi-même.
,69
a21Lorsque les activités des cours de sciences sont trop difficiles, j’abandonne ou je fais seulement les parties faciles.
,64
a28Lorsque je trouve le contenu d’un cours de sciences difficile, je n’essaie pas de l’apprendre.
,58
a56 J’ai mal au cœur quand j'entends le mot « sciences ». ,47
a59Je préfère qu'on me donne la solution d'un problème de sciences difficile plutôt que d'avoir à la trouver par moi-même.
,47
a17Peu importe la quantité d’efforts que je fournis, je ne peux pas apprendre les sciences.
,44
a13 Je suis certain que je peux bien réussir mes examens de sciences.
a8Je ne suis pas sûr de pouvoir comprendre des concepts scientifiques difficiles.
a1Que le contenu des cours de sciences soit difficile ou facile, je suis certain que je peux le comprendre.
a74Ça ne me dérange pas ou ne me fait pas sentir mal à l’aise de faire des activités (devoirs, travaux, etc.) de sciences.
a80Ça me rend nerveux/se seulement de penser que je dois faire des sciences.
,79
a85 Ça me fait peur de devoir prendre des cours de sciences. ,48
a52Je me sens tendu/e ou mal à l’aise quand quelqu'un me parle de sciences.
,46
a67 Je me sens à l'aise dans les cours de sciences. Méthode d’extraction: Moindres carrés non pondérés Méthode de rotation: Oblimin avec la normalisation de Kaiser. Coefficient ,40
75
Le deuxième groupe de variables représente les buts d’accomplissement (les buts de
maîtrise-approche, performance-approche et évitement du travail). La valeur du
KMO (= ,84) permet de confirmer que les données sont adéquates pour ce genre
d’analyse. Les trois types de buts sont assez clairement définis par la structure factorielle
(Tableau II). L’échelle des buts de maîtrise-approche a été composée à partir de huit
items dont sept proviennent de l’échelle originale (a4, a5, a34, a39, a45, a54, a58, a63).
L’item a5 a également été intégré à l’échelle. L’échelle des buts de performance-
approche était composée de cinq items (a66, a71, a75, a79, a87). Par rapport à l’échelle
initiale, l’item 83 a changé de facteur. L’échelle des buts d’évitement du travail était
composée de trois items (a83, a42, a44). L’item 83 s’apparente très bien sur le plan
conceptuel aux buts d’évitement du travail et il sera conservé dans l’échelle finale.
Le troisième groupe représente les items des échelles suivantes : intérêt pour les sciences
et l’engagement en sciences (Tableau III). Le test de KMO (,87) permet de confirmer
que les données sont adéquates pour cette analyse. L’échelle d’intérêt est composée de
six items de l’échelle originale (a53, a62, a68, a78, a86, a91). L’échelle d’engagement
est composée de cinq items (a11, a27, a30, a43, a50). L’item a82 a été supprimé puisque
son coefficient était au deçà du seuil fixé.
76
Tableau II : Matrice factorielle de type du deuxième groupe de variables (buts de
maîtrise-approche, buts de performance-approche, buts d’évitement du travail)
Maîtrise-approche
Performance-approche
Évitement du travail
a54 En sciences, je veux apprendre le plus de choses possible. ,81
a63Ce qui est d’abord important pour moi en sciences, c’est d’apprendre des choses nouvelles.
,74
a34 Je trouve important d'améliorer mes compétences en sciences. ,70
a45En sciences, je suis prêt à travailler fort pour apprendre de nouvelles choses.
,64
a58Il est important pour moi de bien maîtriser les connaissances et les compétences qu’on est supposé apprendre en sciences.
,61
a39En sciences, j'aime les tâches difficiles si elles me permettent d'acquérir de nouvelles connaissances.
,53
a5En sciences, je fais de mon mieux même lorsque le travail demandé ne compte pas dans la note.
,47
a4Je veux terminer ce cours de sciences en ayant le sentiment d'avoir appris de nouvelles choses.
,44
a16Il m'arrive de faire du travail supplémentaire afin de mieux comprendre la matière de mon cours de sciences.
a71C'est important pour moi de faire mieux que les autres en sciences.
,70
a75En sciences, je suis en compétition avec les autres élèves pour obtenir des notes élevées.
,57
a79En sciences, je suis d’abord préoccupé par les notes que j’aurai.
,57
a66Ce qui est d’abord important pour moi en sciences, c'est d'avoir des notes élevées.
,55
a87Ça m'est égal de ne pas être parmi ceux qui ont les meilleures notes en sciences.
,41
a42 En sciences, je fais seulement ce qui est vraiment obligatoire. ,77
a44En sciences, je fais seulement ce qui est nécessaire pour éviter l'échec.
,65
a83 En sciences, je vise simplement à obtenir la note de passage. ,43
a19En sciences, je consacre le moins de temps possible aux activités qui ne comptent pas dans la note.
a10 En sciences, il m’arrive de faire du travail facultatif. Méthode d’extraction: Moindres carrés non pondérés Méthode de rotation: Oblimin avec la normalisation de Kaiser. Coefficient ,40
77
Tableau III : Matrice factorielle du troisième groupe (intérêt en sciences et engagement
en sciences)
Intérêt pour les sciences
Engagement en sciences
a91 Les sciences sont une des matières que j'aime le plus. ,94 a53 J'aime beaucoup les sciences. ,77 a78 Je n'aime rien dans les sciences. ,69 a86 J'aime écouter des émissions de télévision qui parlent de sciences. ,68 a68 Je voudrais passer moins de temps à étudier les sciences à l'école. ,55
a62Je trouve amusant de faire des activités pratiques ou de laboratoire en sciences.
,42
a82 J'aime parler des sciences avec d'autres personnes.
a43Lorsque j’apprends de nouvelles choses en sciences, j’essaie de faire des liens entre les différents éléments du contenu.
,64
a50Lorsque j’ai fait une erreur en sciences. je cherche à comprendre pourquoi.
,60
a27Lorsque que je n'arrive pas à résoudre immédiatement un problème de sciences, je n'abandonne pas avant d'avoir trouvé la solution.
,56
a11Si on termine un cours de sciences sans avoir trouvé la réponse à une question, je continue à y réfléchir par la suite.
,53
a30Les problèmes de sciences que je ne comprends pas immédiatement représentent un défi pour moi.
,45
Méthode d’extraction: Moindres carrés non pondérés Méthode de rotation: Oblimin avec la normalisation de Kaiser. Coefficient ,40
3.5.2 Analyses de consistance interne
Les analyses de consistance interne mesurent la fidélité de l’instrument. Plus la valeur
est élevée, plus on peut considérer que les différents items contribuent à la mesure d’un
même concept (Durand, 1997). La mesure la plus utilisée en sciences sociales est l’alpha
de Cronbach (Durand, 1997). La valeur minimale attendue pour le coefficient alpha est
de ,60 (Garson, 2011d). Le Tableau IV nous présente les résultats de ces analyses. En
plus de la statistique de l’alpha de Cronbach, nous avons calculé la valeur du CR
(« Construct Reliability »). Cette valeur est considérée par certains comme une mesure
78
beaucoup plus fiable que la valeur de l’alpha de Cronbach (Green et Yang, 2009;
Sijtsma, 2009). Le calcul de cet indicateur a été fait à l’aide du logiciel AMOS. Une
échelle avec un coefficient de ,70 ou plus est considérée comme ayant une bonne
consistance interne. Une valeur entre ,60 et ,70 est considérée comme acceptable. Le
Tableau IV suggère que la majorité de nos échelles sont fidèles à l’instrument de départ
sauf l’échelle des buts d’évitement du travail qui est à la limite de l’acceptable sur
l’indicateur CR. Par conséquent, nous pouvons considérer que la structure des facteurs a
été relativement stable et fiable de la suite à la traduction et à la contextualisation.
Tableau IV : Analyse de fiabilité
Valeur Alpha standardisé CR Nombre d’items
Sentiment de compétence ,68 ,65 5Anxiété en sciences ,61 ,60 3Buts de maîtrise-approche ,83 ,82 8Buts de performance-approche ,69 ,62 5Buts d’évitement du travail ,65 ,56 3Intérêt pour les sciences ,84 ,86 6Engagement en sciences ,71 ,74 5
3.6 Vérification des postulats d’analyse
Afin d’atteindre nos objectifs de recherche, les tests paramétriques requis exigent trois
postulats de base : la distribution des variables est représentée par une courbe normale,
l’homogénéité des variances et des échantillons indépendants. L’étude de la distribution
de l’ensemble des échelles nous permet de vérifier si nos données ont une distribution
normale. Nous avons analysé le coefficient d’aplatissement (« kurtosis ») et d’asymétrie
(« skewness »). Selon les auteurs, une valeur qui se situe en -2 et 2 signifie une
distribution relativement normale (Garson, 2011a), et ce, pour les deux mesures de
79
distribution. Nos analyses ont démontré des coefficients d’asymétrie variant de -1,07 à
1,35 et des coefficients d’aplatissement entre -0,80 à 1,83 sur les échelles de motivation.
La distribution des échelles des habitudes technologiques est également adéquate, avec
des coefficients d’asymétrie variant de -0,62 à 0,83 et des coefficients d’aplatissement
entre -1,20 à 0. Afin de tester l’homogénéité des variables, le test d’égalité des variances
de Levene a été utilisé. Les résultats suggèrent que nos groupes ont des variances
comparables (tous les tests sont non significatifs), remplissant ainsi l’une des conditions
de base des analyses multivariées. Par conséquent, à partir des postulats de base
énoncés, nous concluons qu’il est possible d’utiliser les tests dits paramétriques pour
répondre à nos objectifs. Le prochain chapitre a été consacré à présenter les résultats de
la présente étude.
Chapitre 4. Les résultats
Dans ce chapitre, nous présenterons d’abord un aperçu des données en présentant les
résultats d’ordre descriptif. Ensuite, nous présenterons les résultats de chaque objectif :
les profils technologiques, la motivation à apprendre en lien avec ces profils et
finalement la valeur prédictive de l’utilisation des technologies sur la motivation et
l’engagement.
4.1 Analyses descriptives
Premièrement, nous avons décrit les résultats des élèves qui ont répondu aux
questionnaires de motivation et d’habitude avec les technologies et ensuite, nous avons
regardé les différents liens corrélationnels entre les variables. De façon générale, nos
résultats montrent que les répondants rapportent peu d’anxiété envers les sciences par
rapport aux autres échelles. Les résultats montrent également qu’ils ont davantage de
buts de maîtrise-approche que de buts de performance-approche ou d’évitement du
travail (Tableau V). De plus, il est à noter que les buts d’évitement du travail présentent
un écart-type relativement élevé, ce qui indique des différences inter-individus
relativement importantes.
Le Tableau VI illustre les corrélations entre les différentes échelles motivationnelles et
les habitudes technologiques. Comme attendu, les échelles d’anxiété en sciences et les
buts d’évitement du travail corrèlent de façon négative avec la majorité des échelles
motivationnelles. Les buts de performance-approche ne présentent pas de corrélations
81
significatives avec le sentiment de compétence et l’intérêt en sciences, et une corrélation
positive avec les buts de maîtrise-approche, l’anxiété et les buts d’évitement du travail.
Les corrélations sont de modérées à fortes, où le maximum de corrélation est de ,72
entre les buts de maîtrise-approche et l’engagement. Il faut également remarquer que
toutes les corrélations entre les variables motivationnelles et l’engagement sont
significatives. Cela suppose une certaine valeur prédictive des variables motivationnelles
sur l’engagement.
Tableau V : Moyenne et écart-types des échelles motivationnelles
N Moyenne Écart typeSentiment de compétence 330 4,93 0,92Anxiété en sciences 326 1,76 0,89Buts de maîtrise-approche 330 4,84 0,82Buts de performance-approche 330 3,31 1,04Buts d’évitement du travail 330 3,12 1,34Intérêt en sciences 329 4,27 1,12Engagement en sciences 330 4,26 0,95
Les différents types d’utilisation des technologies sont corrélés de façon positive entre
eux, sauf le clavardage et l’utilisation des logiciels éducatifs. Deux corrélations de
grande taille sont observées : le clavardage avec l’utilisation du courriel et le traitement
de texte avec les recherches pour des sujets personnels.
Parmi les habitudes technologiques, nous avons constaté que l’utilisation d’Internet pour
clavarder ou pour envoyer des courriels n’a pas de corrélation significative avec la
motivation à apprendre. Avec les nombreuses corrélations significatives, nos résultats
appuient notre hypothèse qu’il peut exister une valeur prédictive entre les utilisations à
82
des fins personnelles et la motivation à apprendre. Les corrélations les plus fortes entre
les variables motivationnelles et les habitudes technologiques sont observées en ce qui
concerne les logiciels éducatifs.
Les corrélations entre le sexe et les variables motivationnelles nous indiquent qu’il
semble exister peu de liens entre la motivation et le sexe des répondants. Toutefois, nous
remarquons une corrélation positive (axée vers les filles) entre la recherche à des fins
scolaires, le traitement de texte et le courriel. Les résultats montrent également une
relation négative (donc, axée vers les garçons) avec le jeu à l’ordinateur.
Tableau VI : Tableau des corrélations
1 2 3 4 5 6 7 a b c d e f g 1- Sentiment de compétence
2- Anxiété en sciences -,39*
3- Buts de maîtrise-approche ,53* -,32*
4- Buts de performance-approche ,07 ,11* ,16*
5- Buts d'évitement du travail -,40* ,28* -,35* ,12*
6- Intérêt en sciences ,42* -,39* ,62* ,02 -,46*
7- Engagement en sciences ,48* -,20* ,72* ,25* -,29* ,47*
a- Recherche à des fins scolaires ,22* -,09 ,29* ,14* -,18* ,19* ,23* b- Recherche pour des sujets personnels
,17* -,11* ,21* ,02 -,15* ,15* ,18* ,40*
c- Logiciel éducatif ,20* -,11* ,34* ,09* -,17* ,28* ,30* ,40* ,32*
d- Ordinateur pour jouer ,02 -,13* ,11* -,03 -,08 ,06 ,02 ,23* ,34* ,14*
e- Traitement de texte ,09 -,02 ,16* ,03 -,24* ,15* ,16* ,49* ,27* ,35* ,15*
f- Internet pour clavarder -,05 -,06 -,02 ,05 ,02 -,09 -,03 ,31* ,30* ,07 ,31* ,26*
g- Courriel -,02 -,08 ,02 ,03 -,01 -,04 ,02 ,32* ,32* ,12* ,29* ,27* ,78*
Sexe ,03 ,03 ,03 -,04 ,02 -,09 ,00 ,19* -,04 ,03 -,12* ,18* ,08 ,15*
* p < ,05
Nous avons également évalué la présence de l’ordinateur et l’accessibilité à Internet à la
maison. Ensuite, nous avons mesuré la perception de l’utilisation de l’ordinateur et
Internet en général à l’école et à la maison. Ces résultats préliminaires nous ont permis
83
de tracer un premier portrait sommaire de nos répondants afin de pouvoir comparer avec
les différentes études du domaine.
Les participants possèdent en très grande majorité (91,8 %) un ordinateur à la maison.
Parmi ceux-ci, 94,1 % sont branchés à Internet. On remarque également que les
participants utilisent davantage l’ordinateur et l’Internet à la maison qu’à l’école. En
effet, 7,9 % de jeunes rapportent ne jamais utiliser l’ordinateur à la maison alors
que 44,8 % rapportent ne pas l’utiliser à l’école. En ce sens, 33 % rapportent utiliser
l’ordinateur à tous les jours à la maison. De plus, 10,3 % rapportent ne jamais utiliser
Internet à la maison, ce nombre grimpe à 57,9 % pour l’école. De plus, 13 % des jeunes
rapportent utiliser Internet plus de 16 heures par semaine à la maison. Parmi les usages
technologiques, celui de l’ordinateur pour jouer est le plus fréquent, suivi d’Internet pour
clavarder, pour la recherche sur des sujets personnels et pour le courriel. Les usages les
moins populaires sont les logiciels éducatifs et le traitement de texte.
4.2 Les profils technologiques des utilisateurs
À la suite de nos analyses de validité et de fidélité qui nous ont permis de structurer et
tester nos échelles de motivation, l’analyse des échelles en lien avec les habitudes
technologiques a été faite. Pour répondre à notre premier objectif, nous proposons de
créer et de regarder les profils technologiques des utilisateurs. Les analyses typologiques
« TwoStep » ont permis de créer trois groupes de comparaison. Le groupe le plus
important représente 43,7 % et le plus petit groupe 24,1 % de l’échantillon retenu pour
l’analyse alors que 5,7 % des observations sont exclues (à cause des données
manquantes sur les variables de classification). Ces trois groupes ont été composés à
84
partir des sept échelles sur les habitudes technologiques : recherches scolaires et pour les
devoirs, recherches pour des sujets personnels, les logiciels éducatifs, l’ordinateur pour
jouer, le traitement de texte, Internet pour clavarder et le courriel.
Le premier profil correspond aux utilisateurs polycompétents; le second profil aux
ludiques-communicants et finalement, le troisième profil correspond aux utilisateurs
occasionnels. Ces trois profils sont inspirés des différentes appellations utilisées par les
auteurs qui ont étudiés le sujet (Beauvisage, 2009 ; Bibeau, 2007). La Figure 3 nous
illustre la distribution sur chaque item des profils, en ordre d’importance. Donc, on peut
constater que l’utilisation qui distingue le plus les profils est l’Internet pour clavarder, le
courriel et les logiciels éducatifs. Le traitement de texte et l’ordinateur pour jouer ne sont
pas des critères de premier plan avec la différenciation des profils.
L’étude des distributions nous permet de voir deux profils à l’opposer l’un de l’autre :
les polycompétents et les utilisateurs occasionnels. Les utilisateurs polycompétents
obtiennent des scores plus élevés sur toutes les échelles d’habitudes technologiques
(distribution asymétrique vers la droite) alors que les utilisateurs occasionnels rapportent
des scores sous la moyenne pour toutes les échelles (distribution asymétrique vers la
gauche). Le profil des ludiques-communicants est plus particulier. Il se compare sur
certains éléments aux polycompétents (ordinateur pour jouer, Internet pour clavarder,
courriel), mais il utilise moins souvent les usages axés vers les activités intellectuelles
(recherche scolaire, logiciel éducatif et traitement texte).
Afin de vérifier les différences significatives entre les profils sur les habitudes avec les
technologies, nous avons estimé le lien entre les usages et les profils à l’aide du tauy de
G
c
d
p
d
é
m
F
Goodman-K
catégorielle
d’explication
peu comme
distinguent d
éducatifs (ta
moins est l’o
Figure 3 : Le
Kruskall. Ce
sur une a
n de la prop
e la valeur
davantage le
auy = ,27) e
ordinateur po
es profils typ
et indicateur
autre variab
portion totale
d’une corré
es profils so
et le courriel
our jouer (ta
pologiques
r est une m
ble catégori
e (Cramer et
élation. Les
nt : Internet
l (tauy = ,21
auy = ,07).
mesure de l
ielle. Il es
t Dennis, 20
résultats m
pour clavar
1), alors que
l’importance
t basé sur
004). On peu
montrent que
rder (tauy =
e celui qui l
e d’une var
le pource
ut l’interprét
e les usage
,29), les log
les distingue
85
riable
entage
ter un
s qui
giciels
ent le
86
Nous avons également regardé la composition des profils selon le sexe des répondants.
La composition des groupes est similaire (Tableau VII). Selon la valeur du tauy de
Goodman-Kruskall, la relation entre le sexe et l’appartenance à un profil technologique
est très faible (tauy de Goodman-Kruskall = 0,003). De plus, selon le test du chi-carrré
de Pearson, il n’y a pas de lien significatif entre le sexe et les profils ( 2 = 2,258, p =
0,323).
Bien que les profils ne se différencient pas de façon significative selon le sexe, nos
analyses descriptives nous ont permis de constater quelques différences quand aux
usages des technologies. En moyenne, les garçons utilisent davantage les technologies
pour jouer. En effet, 78 % des garçons rapportent utiliser l’ordinateur pour jouer
quelques fois par semaine ou presque tous les jours, contre 67 % chez les filles. Pour
leur part, les filles passent davantage de temps (quelques fois par semaine à presque tous
les jours) au clavardage (72 % contre 64 %), le courriel (72 % contre 57 %), ainsi que la
recherche scolaire pour les devoirs (58 % contre 39 %).
Tableau VII : Composition des profils selon le sexe
Garçons Filles Total
PolycompétentsEffectif 48 52 100
% 48,0 % 52,0 % 100,0 %
Ludiques-communicants
Effectif 74 62 136
% 54,4 % 45,6 % 100,0 %
Occasionnels Effectif 44 31 75
% 58,7 % 41,3 % 100,0 %
Total Effectif 166 145 311
% 53,4 % 46,6 % 100,0 %
87
4.3 La motivation à apprendre selon les profils technologiques
Notre deuxième objectif est de comparer les différents profils technologiques aux
variables motivationnelles pour le cours de sciences. Afin de répondre à cet objectif, des
analyses de variance ont été effectuées. Les analyses multivariées (MANOVA)
permettent de comparer plusieurs groupes ou profils d’élèves afin de vérifier s’il existe
ou non une différence entre ces sous-populations sur différentes variables à l’étude
(Howell et al., 1998). Les analyses multivariées ont été réalisées à partir d’un modèle : 3
(profil technologique) x 2 (sexe). Les tests multivariés nous indiquent qu’il existe une
différence significative uniquement en ce qui concerne les profils technologiques
(Lambda de Wilks = ,85, F(14,598) = 3,55, p < ,001). Il ne semble pas y avoir de différence
significative entre les garçons et les filles (Lambda de Wilks = ,97, F(7,299) = 1,13,
p = ,35), ni d’effet d’interaction (Lambda de Wilks = ,96, F(14,598) = ,97, p = ,48) entre le
sexe et le profil. Selon nos résultats dans le Tableau VIII, il existe des différences
significatives sur cinq des sept déterminants motivationnels entre les trois profils : le
sentiment de compétence, les buts de maîtrise-approche, les buts d’évitement du travail,
l’intérêt pour les sciences et l’engagement. Étant donné que le nombre de groupes de
comparaison est supérieur à deux, il faut donc examiner les différences à l’aide des
analyses post-hoc (test de Tukey). Les tests post-hoc de Tukey montrent que les
polycompétents se distinguent significativement et positivement des deux autres groupes
sur cinq des sept échelles motivationnelles à l’exception du sentiment de compétence,
pour lequel ils se distinguent uniquement des ludiques-communicants. Les
polycompétents rapportent en effet un sentiment de compétence plus important, des buts
de maîtrise-approche plus élevés, moins de buts d’évitement du travail, plus d’intérêt
88
pour les sciences et plus d’engagement. On remarque également qu’il n’y a pas de
différence significative entre les ludiques-communicants et les utilisateurs occasionnels
sur quatre des sept échelles : les buts de maîtrise-approche, les buts d’évitement du
travail, l’intérêt et l’engagement en sciences. Cependant, les deux profils se distinguent
en ce qui a trait au sentiment de compétence, les buts d’évitement du travail, l’intérêt et
l’engagement en sciences. La taille d’effet est petite pour l’échelle du sentiment de
compétence alors qu’elle est plutôt modérée pour les quatre autres échelles (les buts de
maîtrise-approche, les buts d’évitement du travail, l’intérêt et l’engagement) (Cohen,
1988).
Tableau VIII : Tests des effets inter-sujets (modèle Sexe * Profil)
Moyenne (écart-type) Valeur des F
PolycompétentsLudiques-
communicants Occasionnels
(eta-carré partiel)
En sciences Garçons Filles Garçons Filles Garçons Filles Sexe Profil Profil x
Sexe
Sentiment de compétence
5,19 5,09 4,85 4,75 4,82 5,07 0,02 4,17* 1,01 (0,80) (0,76) (0,99) (0,94) (1,01) (0,62) (,00) (,03) (,01)
Anxiété1,63 1,64 1,66 1,78 1,86 2,02 0,80 2,53 0,19
(0,98) (0,87) (0,82) (0,93) (0,85) (0,89) (,00) (,02) (,00)
Buts de maîtrise-approche
5,20 5,13 4,69 4,73 4,69 4,72 0,00 11,11* 0,17 (0,71) (0,70) (0,83) (0,82) (0,92) (0,76) (,00) (,07) (,00)
Buts de performance-approche
3,49 3,47 3,38 3,06 3,16 3,21 0,67 2,45 1,05 (1,14) (0,97) (1,11) (0,92) (1,00) (0,84) (,00) (,02) (,00)
Buts d'évitement du travail
2,51 2,72 3,26 3,39 3,42 3,35 0,38 10,37* ,24(1,17) (1,32) (1,34) (1,21) (1,49) (1,39) (,00) (,06) (,00)
Intérêt 4,82 4,51 4,15 3,99 4,26 3,97 3,79 9,48* ,18
(1,08) (1,07) (1,01) (1,09) (1,24) (1,19) (,01) (,06) (,84)
Engagement 4,66 4,62 4,23 3,96 4,01 4,25 0,05 11,48* 1,81
(0,90) (0,90) (0,91) (0,97) (0,93) (0,81) (,00) (,07) (,01)
89
L’absence d’effet d’interaction nous indique qu’il n’y a pas de différence significative
dans notre échantillon entre les garçons et les filles, et ce, même si l’on considère les
différents profils typologiques.
4.4 La valeur prédictive de l’utilisation des technologies sur la
motivation et l’engagement
Notre troisième objectif visait à déterminer la valeur prédictive de l’utilisation de
l’ordinateur et les différents types d’usage à l’intérieur d’un modèle motivationnel. Afin
de répondre à cet objectif, nous avons réalisé de la modélisation multigroupes à
variables latentes. Comme suggéré par Grimm et Yarnold (2000, p. 277), de nombreux
modèles concurrents ont été testés. Le modèle motivationnel utilisé est inspiré de celui
de Chouinard, Karsenti et Roy (2007). En plus des variables présentes dans le modèle de
Chouinard et al. (2007), nous avons intégré les types d’utilisation personnelle des
technologies, et nous avons testé l’invariance entre les trois profils obtenus à l’aide du
premier objectif. Dans un premier temps, les trois types de buts ont été inclus comme
variable modératrice sur l’engagement. À la suite du résultat de ce modèle préliminaire,
nous en sommes venus à tester un modèle motivationnel simplifié, conservant
uniquement les variables ayant un lien direct ou indirect avec l’engagement en sciences.
Le modèle final exclut les profils typologiques, pour conserver uniquement les types
d’usage technologique, le sentiment de compétence, l’intérêt en sciences, les buts de
maîtrise-approche et l’engagement en sciences. Nous avons présenté le modèle final
retenu.
90
Les types d’utilisation technologique ont été regroupés à partir d’une analyse factorielle
afin de créer une échelle de mesure pouvant servir durant la modélisation. Le Tableau IX
nous montre que nous pouvons créer trois regroupements : les utilisations axées sur le
divertissement (facteur 3), vers la communication (facteur 2) et vers les usages à
caractère intellectuel (facteur 1). La création de ces trois facteurs a pour but de réduire le
nombre de variables à l’étude dans le modèle et de diminuer les variables qui ont des
corrélations trop élevées entre elles, tout en créant une échelle comportant davantage
d’échelons.
Tableau IX : Analyses factorielles selon l'utilisation personnelle des technologies
Usages à caractère
intellectuel
Usages à desfins de
communication
Usages à des fins ludiques
Recherches scolaires ou devoirs ,68Traitement de texte ,68Logiciel éducatif ,53Recherches pour des sujets personnels
,73
Ordinateur pour jouer ,41Internet pour clavarder -,96Courriel -,73
4.4.1 Le modèle de la motivation à apprendre avec trois types de buts
Le modèle de base testé contient 15 variables observées et 6 variables latentes (Figure
4). Pour simplifier la compréhension de la lecture des modèles, les indicateurs et les
erreurs ont été supprimés de la présentation visuelle du modèle. Les variables latentes
sont représentées par des cercles alors que les variables observées sont représentées par
des rectangles. Nous avons également créé des regroupements d’items sous forme de
facteurs au lieu de traiter les données en analyse de pistes. Ces facteurs ont été créées à
91
calculant la moyenne de sous-groupe d’items au lieu de calculer une seule moyenne par
échelle. Cette décision a été prise en raison du trop grand nombre d’indicateurs présents
dans l’étude, ce qui a pour effet d’augmenter le nombre de coefficients à estimer par la
modélisation. En effet, les 32 indicateurs présents ont été regroupés en 12 facteurs.
L’avantage de cette technique est de pouvoir estimer un nombre plus faible de
coefficients, ce qui permet d’avoir un ratio répondants/items plus adéquat et d’obtenir
des paramètres plus stables (Bandalos, 2002; Coffman et MacCallum, 2005). Il faut
noter que l’analyse de piste travaille uniquement avec des variables observables, alors
que dans notre situation, nous avons six variables latentes, représentant mieux les
données d’analyse (Tabachnik et Fidell, 2007). Toutefois, il faut réaliser que l’utilisation
des facteurs signifie que le modèle estime un nombre plus faible de points. Cela a donc
eu pour effet d’augmenter la puissance, mais de diminuer la fiabilité (Bandalos, 2002).
Selon Coffman et MacCallum (2005), il est préférable d’utiliser un modèle à variable
latente en utilisant des facteurs, plutôt que de faire une analyse de piste.
4.4.2 Validité et fidélité des facteurs
Afin de s’assurer de la validité et de la fidélité des facteurs créés, nous avons utilisé deux
indices élaborés à partir des équations structurantes : AVE (« Average Variance
extracted ») et CR (« Construct reliability »). Le premier a permis de vérifier la validité
du construit latent en calculant la variance expliquée par l’ensemble des facteurs, alors
que le deuxième a vérifié la consistance interne des facteurs. On considère en général
qu’un coefficient AVE au-delà de ,50 suggère une validité adéquate, alors qu’un
coefficient CR devrait être supérieur à ,70. Toutefois, on peut considérer comme
acceptable un coefficient CR situé entre ,60 et ,70 (Fornell et Larcker, 1981; Paswan,
92
2009). La validité et la fiabilité de toutes les facteurs sont bonnes (Tableau X). Deux
facteurs par sous-échelles ont été créés.
Tableau X : Validité et fidélité des facteurs
AVE (« Average variance extracted »)
CR (« Construct reliability »)
Sentiment de compétence ,63 ,77
Buts de maîtrise-approche ,74 ,85
Buts de performance-approche ,63 ,77
Buts d’évitement du travail ,63 ,76
Intérêt en sciences ,71 ,83
Engagement en sciences ,66 ,78
4.4.3 Résultat des modèles par équations structurantes
Le premier modèle multigroupe testé est le plus complexe, où tous les liens estimés
pouvaient varier entre les profils. Il a été considéré comme le modèle de base. La Figure
4 illustre le modèle testé. Pour alléger la Figure 4, les trois types d’utilisation ont été
regroupés en une boîte, mais le modèle proposait des liens directs entre chacun des types
d’usage et les variables motivationnelles. À noter que ce modèle a testé sur les trois
profils à la fois en une seule analyse (appelée analyse multigroupe). La partie
motivationnelle du modèle a été inspirée du modèle présenté par Chouinard, Karsenti et
Roy (2007). Le modèle multigroupe de base n’a pas obtenu de solution satisfaisante
lorsque tous les coefficients étaient estimés (modèle non-restreint4). Par conséquent, les
résultats nous laissent croire qu’un modèle invariant sur les coefficients de régression
entre les variables représenterait mieux les données. Seules les moyennes de chaque
échelle ont pu varier entre les profils. Les résultats de ce modèle contraint, ainsi que les
4 en anglais, on parle de : « unconstrained model ».
93
conclusions rapportées dans Chouinard, Karsenti et Roy (2007) nous poussent à tenter
d’ajuster davantage le modèle, en supprimant les buts d’évitement du travail.
Figure 4 : Modèle de base
L’analyse de ce deuxième modèle à deux buts n’a pas permis d’arriver à une solution
satisfaisante, s’expliquant par des erreurs de mesures négatives (ou également appelées
cas de Heywood (Khattree et Naik, 2000)). Cette situation peut s’expliquer par plusieurs
facteurs : modèle trop complexe, pas assez de données pour arriver à une solution stable,
présence de données extrêmes ou un modèle inapproprié (Khattree et Naik, 2000, pp.
155-156). À la lumière de ces résultats qui supposent peu de différences entre les profils
Utilisations à des fins ludiques
Utilisations à caractère intellectuel
Utilisations à des fins de communication
Sentiment de compétence
Intérêt en sciences
Buts de maîtrise-approche
Engagement en sciences
Buts de performance-approche
Buts d’évitement du travail
F1 F2
F1 F2
F1
F2
F1
F2
F1 F2F1 F2
94
dans le modèle, et pas de lien entre l’engagement et les buts d’évitement du travail, nous
avons créé un troisième modèle sans comparaison multigroupe et sans les buts
d’évitement du travail, mais en intégrant toujours les différents types d’usage
technologique. Nous constatons que les résultats du modèle 3 nous donnent un modèle
avec un meilleur ajustement, donc plus proche des données par rapport aux premiers
modèles (Tableau XI). Basé sur les modifications proposées par le logiciel AMOS et par
soucis de parcimonie, le modèle final est celui suggéré à la Figure 5, sans les buts de
performance-approche, qui n’ont pas de lien direct sur l’engagement en sciences.
L’indice AIC suggère que ce dernier modèle doit être préféré aux trois autres. Plus la
valeur du AIC est faible plus ce modèle est parcimonieux et doit être considéré plus
fidèle par rapport aux autres (Garson, 2011a; Schumacker et Lomax, 2010).
Tableau XI : Comparaison des différents modèles
2 df p AIC
Modèle 1 : l'ensemble des variables / avec multigroupe a
336,94 189 < ,001 768,94
Modèle 2 : sans buts d'évitement / avec multigroupe a
229,55 158 < ,001 459,55
Modèle 3 : sans buts d'évitement du travail / sans multigroupe
66,55 49 ,049 150,55
Modèle final (Figure 5) 43,10 33 ,11 109,10
a - Ce modèle n'a pas obtenu de solution statistique satisfaisante
Nous avons exclu les buts de performance-approche du modèle puisqu’il n’y a pas de
lien significatif avec l’engagement, que ce soit de façon directe ou indirecte. Les liens
non-significatifs ont été supprimés à l’exception de la variable « Utilisations à des fins
ludiques » qui est une variable prédictrice dans notre modèle. L’interprétation des
95
indices d’ajustement nous laisse croire à un modèle qui représente bien les données. Le
test du chi-carré n’est pas significatif et le ratio 2/df est en deçà de la valeur attendue, ce
qui signifie que notre modèle représente bien nos données (Garson, 2011a; Kline, 1998;
Schumacker et Lomax, 2010). De plus, nous avons réalisé une analyse de type « Bollen-
Stine Bootstrap » qui permet de tester le modèle proposé en créant de « nouveaux »
échantillons à partir de l’échantillon initial. Selon Nevitt et Hanock (1998), cette
méthode fonctionne bien avec un échantillon de 200 et plus, et en rapportant un taux de
rééchantillonage de 2000 fois ou plus, nous nous assurons une certaine stabilité des
analyses. Cette méthode est un test supplémentaire au test du chi-carré qui permet de
tester si notre modèle est valide avec nos données dans une situation où la distribution de
nos variables ne respecte pas la loi de la normalité (Bollen et Stine, 1992). Selon les tests
de normalité proposés par AMOS, nos variables sont au-dessus des normes de la
normalité. Une valeur de ,12 au test de Bollen-Stine nous indique que nous n’avons pas
à rejeter notre modèle, et que notre modèle est bien adapté à nos données (à p < ,05).
Les valeurs du CFI , NFI et IFI sont plus élevées que ,95 et le test RMSEA est considéré
comme très bon avec une valeur de ,03 (Garson, 2011a; Raykov et Marcoulides, 2000, p.
41; Schumacker et Lomax, 2010, p. 97).
La modélisation nous permet d’explorer deux aspects : les liens entre les utilisations et
les variables motivationnels, ainsi que la dynamique entre les variables motivationnelles
et l’engagement. En premier lieu, nous remarquons que les usages ludiques n’ont aucun
lien significatif avec les variables motivationnelles. Cette variable a tout de même été
conservée dans le modèle final puisqu’il s’agit de l’une de nos variables indépendantes.
Un modèle sans cette variable a été testé, sans toutefois nous fournir des résultats plus
96
concluants que ceux présentés. Les usages à caractère intellectuel ont des liens positifs
avec trois variables motivationnelles : le sentiment de compétence, l’intérêt en sciences
et les buts de maîtrise-approche. Les usages à des fins de communication ont des liens
négatifs avec deux variables motivationnelles : le sentiment de compétence et l’intérêt
en sciences (Figure 5). On remarque également des corrélations positives entre les trois
types d’usages.
Comme attendu, le sentiment de compétence a des liens positifs directs avec l’intérêt et
les buts de maîtrise-approche. Le lien entre l’intérêt en sciences et les buts de maîtrise-
approche est pratiquement deux fois plus fort que celui entre le sentiment de compétence
et ce même type de buts. Le seul lien direct significatif conservé sur l’engagement dans
le modèle final est celui avec les buts de maîtrise-approche. Ce lien est le plus important
du modèle. En présence des autres variables du modèle, les buts d’évitement du travail
et les buts de performance-approche n’ont pas rapporté un lien suffisamment important
pour être statistiquement significatif. À remarquer que nous avons également supprimé
les liens directs sur l’engagement qui étaient non-significatifs. Le modèle montre plutôt
que les différents types d’usages, le sentiment de compétence et l’intérêt ont des liens
indirects avec l’engagement en sciences, médiatisé par les buts de maîtrise-approche.
Les liens totaux sont calculés par la somme des liens directs et indirects. Ainsi, les
résultats des liens directs, indirects et totaux nous permettent de mieux comprendre le
modèle (Tableau XII).
Outre les buts de maîtrise-approche qui ont le lien total le plus important, on constate
que c’est ensuite le sentiment de compétence, l’intérêt et les usages à des fins scolaires
97
qui ont des liens positifs totaux avec l’engagement. Au contraire, les usages à des fins de
communication ont un lien total négatif sur toutes les variables motivationnelles.
2 (33) = 43,10, p = ,11 ; 2/df = 1,31 ; IFI = ,99 ; NFI = ,97 ; CFI = ,99 ; RMSEA =,03 ; Bollen-Stine : ,12
* p < ,05 ** p < ,01 *** p < ,001
Figure 5 : Modèle final 5
5 Les indicateurs et les erreurs ont été supprimés du visuel pour alléger la présentation. Les cercles représentent des variables latentes et les rectangles des variables observés. Les lignes courbes représentent des coefficients de corrélation. Finalement, les coefficients standardisés sont présentés dans la figure.
Utilisations à des fins ludiques
Utilisations à caractère intellectuel
Utilisations à des fins de communication
Sentiment de compétence Intérêt en sciences
Buts de maîtrise-approche
Engagement en sciences
,32*** ,55***
,95***
,07 -,16*
,26** ,18**
-,14*,10
,14***
,47***
,38***
,31***,38***
98
Tableau XII : Liens directs, indirects et totaux standardisés
Sentiment de compétence Intérêt Buts de maîtrise-
approche Engagement
Utilisations à des fins ludiques
Direct ,10 ,07 Indirect ,05 ,10 ,09 Total ,10 ,12 ,10 ,09
Utilisations à caractère
intellectuel
Direct ,26* ,18** ,14** Indirect ,12*** ,24*** ,36*** Total ,26*** ,30*** ,38*** ,36***
Utilisations à des fins de
communication
Direct -,16* -,14* Indirect -,08* -,17*** -,16*** Total -,16* -,22** -,17*** -,16***
Sentiment de compétence
Direct ,47*** ,35*** Indirect ,24*** ,56*** Total ,47*** ,59*** ,56***
IntérêtDirect ,51***
Indirect ,48*** Total ,51*** ,48***
Buts de maîtrise-approche
Direct ,95 Indirect Total ,95***
* p < ,05 ** p < ,01 *** p < ,001 Note : les tests de signifiance sont basés sur la méthode de l’intervalle de confiance (à 95 %) produit à partir du « Bootstrapped bias-corrected », comme suggéré par Mallinckrodt, Abraham, Wei et Russel (2006) et par Kenny (2009) pour les effets de médiations.
Plusieurs conclusions intéressantes surgissent de nos analyses. Nous élaborerons
davantage sur nos résultats en tentant de regarder où notre étude se situe par rapport à
celles existantes. Nous examinerons quelles sont les conclusions que nous pouvons tirer
de nos modélisations et en quoi notre étude peut influencer les futures recherches.
Chapitre 5. Discussion et conclusion de recherche
Ce chapitre a pour objectif de mettre en perspective les résultats obtenus à la suite des
analyses quantitatives menées en fonction des objectifs de la recherche. Rappelons que
l’objectif général de la recherche était d’étudier le lien entre les habitudes personnelles à
l’endroit des technologies de l’information et de la communication et la motivation à
apprendre en sciences. Plus spécifiquement, nous avons poursuivi trois objectifs :
dégager des profils d’utilisateurs à partir des différents usages des TIC, regarder les
différences entre ces profils au plan motivationnel et déterminer la valeur prédictive de
l’utilisation personnelle des TIC dans un modèle motivationnel. Avant de répondre à ces
objectifs, nous avons d’abord tracé un portrait global de nos données, pour nous
permettre d’avoir une meilleure vue d’ensemble. Ces résultats exploratoires nous ont
permis de tirer quelques conclusions.
La présence de l’ordinateur dans les foyers québécois ne fait plus de doute, et notre
échantillon ne fait pas exception avec près de 92 % des foyers avec un ordinateur. Ce
chiffre est au-dessus des chiffres présentés par le CEFRIO, qui rapporte qu’en 2009, la
moyenne des foyers québécois qui possèdent un ordinateur est de 80 % (Kooli, 2009).
Toutefois, si l’on regarde une recherche faite auprès des familles avec des enfants, plus
particulièrement à Montréal, ce nombre monte à 90 % (Karsenti et al., 2005). Les études
ont démontré qu’un fossé technologique semble se creuser entre la maison et l’école.
Nos résultats appuient ces précédentes études. Nous constatons que les jeunes rapportent
utiliser davantage l’ordinateur à la maison qu’à l’école (33 % tous les jours à la maison
versus moins de 1 % à l’école). Nous croyons que la facilité d’accès et les coûts réduits
100
de l’ordinateur favorisent son utilisation à la maison. En parallèle, le manque de temps
en classe et la formation insuffisante des enseignants font obstacle à son utilisation à
l’école. Bien que l’accessibilité à l’ordinateur semble faire consensus, le taux de
branchement n’équivaut pas nécessairement au taux d’utilisation. En effet, on retrouve
environ 15 % des élèves qui rapportent utiliser l’ordinateur quelques fois par mois ou
moins, et basé sur nos profils technologiques, près de 24 % sont considérés comme des
utilisateurs occasionnels des usages mesurés. Comme le dit Zhong (2011) : « The
conceptualization of digital divide as dividing people into “haves” and “have-nots” is
not sufficient when ICTs are widely accepted by the society ». Par conséquent, ce n’est
plus la possession de l’ordinateur qui est l’enjeu, mais bien l’accès à celui-ci.
À partir des analyses de corrélation et la comparaison des temps d’utilisation des
technologies, nous avons observé quelques différences entre les garçons et les filles en
fonction du type d’usage. Comme la majorité des études l’ont déjà observé, nous
constatons que les garçons utilisent plus souvent l’ordinateur pour jouer (Kent et Facer,
2004; Valentine, Marsh et Pattie, 2005), alors que les filles préfèrent les utilisations plus
intellectuelles ou sociales comme la recherche pour les devoirs, le traitement de texte, le
courriel ou le clavardage (Bonneau et Fusaro, 2007; Jackson et al., 2006; Valentine et
al., 2005). Selon BECTA (2008), une grande partie de la différence du temps
d’utilisation à l’ordinateur entre les garçons et les filles s’expliqueraient par le jeu. Bien
que les garçons semblent davantage intéressés par les jeux à l’ordinateur, l’apparition de
jeux sociaux sur Internet pourrait avoir comme effet d’augmenter le temps d’utilisation
pour le jeu des filles et contribuer ainsi à diminuer l’écart entre les deux sexes quant à
101
cette utilisation. Cela pourrait également expliquer la répartition équivalente des garçons
et des filles dans chaque profil.
Nos analyses de corrélations nous ont permis de confirmer la valeur prédictive des
variables motivationnelles et des usages technologiques. Comme attendu, nous avons
remarqué que l’anxiété en sciences et les buts d’évitement du travail sont corrélés de
façon négative avec les autres variables motivationnelles. Ces deux variables sont
souvent considérées comme aversives sur la motivation, ce qui explique les corrélations
négatives. Par exemple, lorsqu’un élève rapporte davantage d’anxiété, il présentera un
sentiment de compétence plus faible et moins d’intérêt pour les sciences (Putwain et
Symes, 2011). Ce résultat est également observé dans les autres matières comme les
mathématiques (Middleton et Midgley, 1997; Pajares et Miller, 1994; Walsh; Wigfield
et Meece, 1988) ou les cours de langue (Mills, Pajares et Herron, 2007). Nos résultats
appuient ce que les différents auteurs ont déjà rapporté sur l’aspect aversif des buts
d’évitement du travail (Archer, 1994; Bouffard et al., 1998; Elliot et Sheldon, 1997).
On remarque également que les buts de performance-approche n’ont pas de corrélation
significative avec le sentiment de compétence ou l’intérêt en sciences et des corrélations
positives avec les buts d’évitement du travail, l’anxiété et l’engagement en sciences.
Harackiewicz et ces collaborateurs (2002) ont également fait des constats similaires où
les buts de performance-approche n’avaient pas de lien avec l’intérêt mais un lien positif
avec les buts d’évitement du travail. Notre résultat, à prime abord contradictoire, peut
s’expliquer par le fait que les buts de performance-approche sont souvent un couteau à
double tranchant. Liés à un sentiment de compétence élevé, ces buts pourraient jouer un
102
rôle motivateur pour l’élève, renforçant ainsi son sentiment de compétence et son estime
de soi, mais liés a un sentiment d’incompétence, l’élève se verra démotivé puisqu’il
n’atteindra pas les objectifs fixés (Barron et Harackiewicz, 2003; Midgley et al., 2001).
Par conséquent, nos résultats suggèrent que les buts de performance-approche pourraient
s’intégrer dans une dynamique multidimensionnelle plutôt qu’unidimensionnelle,
comme présentée dans notre tableau de corrélation (Linnenbrink, 2005). Les analyses
subséquentes ne nous ont pas permis d’explorer davantage la particularité des buts de
performance-approche puisque ce n’était pas l’objectif de cette étude. Néanmoins, on
peut voir dans la littérature que les auteurs qui se sont intéressés au sujet ont également
conclu à des résultats variés où les buts de performance-approche sont parfois positifs
(Barron et Harackiewicz, 2003; Meece et Holt, 1993) et parfois négatifs (Ames, 1992;
Putwain et Symes, 2011).
À la suite de nos analyses préliminaires, notre discussion est ensuite orientée vers nos
trois objectifs : les profils typologiques à partir des habitudes à l’égard des TIC, la
motivation pour les cours de sciences (sentiment de compétence, anxiété, intérêt et buts
d’accomplissement) et l’engagement dans cette matière selon les profils typologiques
identifiés et les usages technologiques intégrés dans le modèle motivationnel retenu.
5.1 Les types d’utilisateur : trois profils technologiques distincts
Le premier objectif de la présente étude était d’établir différents profils d’utilisateurs des
technologies. Les différentes études qualitatives menées par le passé ont conclu à la
présence de cinq à six différents types d’utilisateurs (Beauvisage, 2009; Bibeau, 2007).
Contrairement à nos mesures, ces typologies ont été élaborées à partir de méthodes
103
qualitatives, soit par des enregistrements automatiques des usages de l’ordinateur ou à
partir d’observations et d’entrevues faites en classe. À partir de nos mesures, il semblait
plutôt difficile de distinguer jusqu’à six catégories, considérant que nous avions sept
items permettant de classer les sujets. Parmi les catégories proposées par Bibeau (2007),
deux font références aux interactions sociales avec les TIC (les « leaders technologies »
et les « opportunistes relationnels »), ce que nous n’avons pas mesurées. Toutefois, si
l’on compare avec les différentes typologies existantes, nous retrouvons de très fortes
ressemblances avec certains profils suggérés par ces auteurs : les utilisateurs
polycompétents, les utilisateurs ludiques-communicants et les utilisateurs occasionnels.
Notre premier profil rapportait utiliser les technologies dans tous les contextes, autant du
côté ludique, mais également dans un contexte intellectuel et pour des fins de
communication. Ce sont les utilisateurs qui passent le plus de temps à l’ordinateur. Ce
premier profil d’utilisateur a également été décrit par d’autres auteurs. Bibeau (2007) les
appelle les « polycompétents » alors que Beauvisage (2009) les appelle les « Serious
users ». Ces auteurs les définissent comme étant des usagers qui ont un niveau de
compétence plus avancé et qui effectuent des tâches variées à l’ordinateur. Nous avons
décidé d’utiliser la même terminologie que Bibeau qui reflète bien la situation du profil
obtenu dans nos résultats. Bien que nos analyses aient été réalisées sur la base du temps
d’utilisation uniquement, certaines études ont démontré que le temps passé à l’ordinateur
est corrélé de façon positive avec les attitudes face à l’ordinateur et le niveau de
compétence avec l’ordinateur (Hasan, 2003; Kuhlemeier et Hemker, 2007; Schumacher
et Morahan-martin, 2001). Par conséquent, les utilisateurs de ce profil risquent de
développer davantage de compétences à l’ordinateur, et des compétences plus
104
diversifiées. À noter que ce profil ne représente pas des utilisateurs « abusifs » des
technologies, mais bien des utilisateurs plus fréquents que ceux des deux autres profils.
Nos analyses ne nous ont pas permis d’observer un profil de « sur-utilisateur », qui
pourrait représenter un échantillon bien distinct (Wainer et al., 2008).
Les utilisateurs du deuxième profil rapportent passer davantage de temps à jouer, à
échanger des courriels et faire du clavardage par rapport aux autres types d’utilisation.
Ils font également davantage de recherche personnelle que le profil d’utilisateurs
occasionnels, mais un peu moins que les polycompétents. Bibeau (2007) parle des
utilisateurs des « pragmatiques » et « ludiques-communiquants », c'est-à-dire des
utilisateurs qu’ils utilisent principalement les technologies pour communiquer et pour
leurs intérêts personnels. Beauvisage (2009) parle plutôt de « Gaming profile » et
« Instant messaging profile ». Comme leur nom l’indique, leurs usages sont donc axés
vers des aspects plutôt ludiques et moins vers les aspects intellectuels. Il a été intéressant
de voir comment ces usagers assez fréquents, mais limités dans leurs types d’utilisation
de l’ordinateur, se comportent en lien avec les variables motivationnelles. Le profil
« ludique-communicant » n’a rien de très surprenant et représente bien une tendance que
l’on voit chez les jeunes. En effet, une récente étude canadienne montre que les jeunes
utilisent très souvent l’ordinateur pour communiquer (93 %) et pour jouer (80 %), et cela
peut expliquer la présence d’un profil de jeune qui se concentre sur ces types
d’utilisation (Piette et al., 2006). À noter que parmi nos sept usages, le clavardage (47 %
presque tous les jours) et le jeu (34 % presque tous les jours) sont les deux usages les
plus fréquents, tout profil confondu. Nos résultats se rapprochent de la génération C (les
105
12 à 24 ans), comme présenté par le CEFRIO (2009), où 74 % rapportent avoir clavardé
durant le dernier mois (comparativement à 79 % dans notre échantillon).
Finalement, il y a le profil des utilisateurs occasionnels, comme on le retrouve dans
l’étude de Bibeau (2007) et celle de Beauvisage (2009). Ils utilisent moins souvent les
technologies, et ce, peu importe le contexte d’utilisation. Malgré leur faible utilisation de
l’ordinateur, leurs utilisations les plus fréquentes sont le jeu et la recherche pour des
besoins personnels. Ils utilisent très peu le courriel et le clavardage. Il s’agit du profil le
moins technophile. Selon nous, ces élèves pourraient être désavantagés lors de tâches
scolaires faisant appel à l’utilisation de l’ordinateur. Parce que les élèves de ce profil
passent peu de temps devant l’ordinateur, ils sont moins compétents avec les outils
technologiques, souvent nécessaires pour réaliser les projets scolaires.
L’analyse croisée avec les profils montrent que même si les utilisateurs occasionnels ont
accès à un ordinateur à la maison, ils ne l’utilisent que très peu, et ils ont beaucoup
moins accès à Internet à la maison que les autres profils (31,1 % sans accès à Internet,
comparativement à 5 % en moyenne pour les deux autres profils). Ce résultat n’est pas
surprenant, mais soulève un point intéressant. En tant qu’enseignant, il ne faut pas croire
que tous les jeunes ont accès facilement à l’ordinateur de la maison ou à Internet et il
faut prévoir du temps pour l’utilisation à l’école. Ce temps d’utilisation pourrait ainsi
permettre à tous les élèves d’effectuer et de réaliser des tâches à l’ordinateur, leur
permettant ainsi d’améliorer et de développer des compétences TIC. Les institutions
scolaires se doivent de réfléchir à leur rôle en matière de technologie et doivent être
106
conscientes du niveau de compétences que les jeunes acquièrent à la maison afin
d’assurer un certain contrôle des apprentissages réalisés avec les technologies.
Par ailleurs, nous constatons également que les garçons et les filles sont représentés de
façon équivalente dans les trois profils. Les garçons ne sont pas surreprésentés parmi les
polycompétents et les filles ne le sont pas chez les utilisateurs occasionnels. Ce résultat
est surprenant car on s’attend à ce que les garçons passent davantage de temps devant
l’ordinateur que les filles (Bussière et Gluszynski, 2004; Kay, 2007). Il faut toutefois
comprendre que la composition des groupes est réalisée à partir d’un portrait basé sur
l’ensemble des sept items liés aux habitudes technologiques. Il s’agit donc d’un
classement sur plusieurs utilisations et non pas sur un seul item, tel que suggéré par les
autres études. De plus, l’importance accordée à chaque type d’usage lors de l’analyse
typologique n’est pas équivalente. Les profils se distinguent peu en fonction de
l’ordinateur pour jouer et davantage en fonction des logiciels éducatifs, le clavardage et
les différents types de recherche, ce qui pourrait également expliquer la proportion
équivalente (garçons-filles) de chaque profil. Les deux profils extrêmes se distinguent
surtout par la fréquence d’utilisation alors que le profil mitoyen se distingue par son type
d’utilisation. Néanmoins, il est quand même intéressant de voir que dans notre
échantillon, les filles semblent passer autant de temps que les garçons avec les TIC.
Par ailleurs, il n’est pas clair dans la littérature disponible si le fait de passer beaucoup
de temps à l’ordinateur est positif ou négatif sur les sphères scolaires (le rendement, la
motivation, l’engagement, le temps passé aux études, etc.). Des études ont démontré que
le temps passé à l’ordinateur est souvent au détriment de d’autres types d’activités,
107
comme les études (Angrist et Lavy, 2002; Subrahmanyam et al., 2000; Wenglinsky,
1998). Par exemple, le jeune qui passe sa soirée devant son ordinateur ne la passera pas
devant ses livres à étudier ou à faire ses devoirs. D’autres études ont plutôt rapporté des
effets positifs de l’ordinateur sur les sphères scolaires (Beltran et al., 2008; Fairlie et
London, 2009; O'Dwyer, Russell et Bebell, 2005). Ils pensent que la présence de
l’ordinateur à la maison permettrait par exemple de développer des compétences TIC, ce
qui donnerait plus de flexibilité pour réaliser les travaux. Notre deuxième objectif avait
pour but d’explorer le lien que pourrait avoir le temps passé devant l’ordinateur, les
types d’utilisation et la motivation à apprendre en sciences.
5.2 Les « technophiles », des élèves motivés en sciences
Notre premier objectif nous a permis d’identifier trois profils d’utilisateurs : les
polycompétents, les ludiques-sociales et les utilisateurs occasionnels. Bien que différents
quant à leur niveau d’utilisation personnelle des TIC, nous n’en savons pas davantage
sur ces trois groupes. Notre deuxième objectif était de comparer la motivation pour les
cours de sciences (sentiment de compétence, l’anxiété, l’intérêt et les buts
d’accomplissement) et l’engagement dans cette matière des élèves selon les profils
typologiques identifiés.
Les analyses montrent des résultats significatifs selon le profil technologique des élèves.
Nous avons déjà mentionné que parmi nos trois profils technologiques, les
polycompétents représentent les élèves qui utilisent les TIC le plus souvent, et pour tous
les usages. Nos résultats montrent qu’ils présentent également les caractéristiques
motivationnelles les plus positives. En moyenne, ils rapportent des scores plus élevés sur
108
cinq des sept échelles. Ce résultat soutient ce que les autres auteurs ont déjà rapporté
dans des études sur le rendement scolaire. En effet, par le passé, de nombreuses études
ont soit démontré que l’utilisation personnelle de l’ordinateur pouvait avoir une
incidence positive sur le rendement, mais également que l’utilisation de l’ordinateur
dans le contexte scolaire permettrait de favoriser la motivation des élèves (Attewell et
Battle, 1999; Beltran et al., 2005; Jackson et al., 2006; Wenglinsky, 1998). Nos résultats
laissent croire que le niveau d’utilisation personnelle et le type d’utilisation semblent
également avoir un lien avec le niveau de motivation. Notre hypothèse serait que les
élèves qui ont de nombreuses opportunités d’utiliser l’ordinateur à la maison seront plus
à l’aise et plus motivés à l’utiliser dans des contextes scolaires et seront donc plus
motivés à apprendre avec les technologies. Les caractéristiques motivationnelles de ceux
qui font des utilisations plus ludiques (que nous avons appelé les ludiques-sociales) ou
qui utilisent très peu l’ordinateur (les utilisateurs occasionnels) seraient plus négatives.
Nous croyons que puisqu’ils développent peu de compétences technologiques, ils leurs
seraient difficiles d’utiliser les ressources disponibles sur l’ordinateur pour réaliser des
tâches scolaires. De plus, certains auteurs ont rapporté que le fait d’avoir un ordinateur à
la maison ou l’utilisation de l’ordinateur dans les loisirs nuit à l’école (Malamud et Pop-
Eleches, 2010; Vigdor et Ladd, 2010). Ils soulèvent que le fait de passer du temps à
l’ordinateur au détriment des études pourrait nuire aux résultats scolaires : « Students
who gain access to a home computer between 5th and 8th grade tend to witness a
persistent decline in reading and math test scores » (Clotfelter et al., 2008). Nos résultats
ne vont pas dans le sens de ceux de ces auteurs. Le temps passé à l’ordinateur ne se fait
pas systématiquement au détriment de l’école. Toutefois, le profil « ludique-
109
communicant » rapporté dans nos résultats pourrait correspondre assez bien au profil
d’élèves décrit par ces auteurs, également rapporté par Fairlie (2009) : « One factor that
appears to dampen any positive effects of home computers on educational outcomes is
the displacement from non-educational uses such as games, networking and
entertainment. ». Nous n’avons pas vu de différences significatives entre les profils sur
l’anxiété et les buts de performance-approche en sciences. Toutefois, lorsque l’on
regarde plus attentivement les résultats, on s’aperçoit que les moyennes respectent les
tendances mentionnées précédemment où les polycompétents sont moins anxieux et ont
plus de buts de performance-approche. Les tests F non-significatifs nous indiquent que
la distribution ne nous permet pas d’établir avec certitude qu’il existe une différence.
Ces résultats pourraient également suggérer qu’il y aurait un autre facteur, l’âge par
exemple, qui nous permettrait de mieux distinguer les élèves sur ces deux échelles.
Un résultat frappant est l’absence de différence significative sur la motivation en
sciences selon le sexe de l’élève, et ce, même si l’on considère les différents profils
technologiques. Bien que cela ne fasse pas partie de nos objectifs spécifiques, il s’agit
d’un résultat secondaire très intéressant. Les études plus anciennes ont rapporté des
différences significatives entre les garçons et les filles où les garçons se perçoivent plus
compétents et démontrent davantage d’intérêt en sciences que les filles (DeBacker et
Nelson, 2000; Jacobs et al., 2002; Weinburgh, 1995). Chang (2008) observe que les
différences de motivation entre les garçons et les filles tendent à diminuer entre 1999 et
2003, quoique toujours présentes. Les études plus récentes semblent supporter cette
hypothèse où les différences motivationnelles entre les sexes tendent à s’atténuer
(Britner, 2008; Pugh, Linnenbrink-Garcia, Koskey, Stewart et Manzey, 2010; Schmidt,
110
Strati et Kackar, 2010; Simpkins, Davis-Kean et Eccles, 2006). Par exemple, Simpkins,
Kean et Eccles sont surpris de constater qu’il n’y avait pas de différence significative en
sciences sur les échelles du sentiment de compétence et d’intérêt. Britner (2008), pour sa
part, a étudié la motivation en sciences selon trois domaines d’enseignement : les
sciences de la vie, les sciences physiques et les sciences de la terre. Ils n’observent pas
de différence quant au sentiment de compétence, mais concluent que les filles sont plus
anxieuses que les garçons. Selon ces auteurs, le jeune âge pourrait expliquer une
motivation similaire entre les garçons et les filles, car les différences significatives
émergeraient avec l’âge en sciences, ce qui pourrait également expliquer le peu de
différence dans notre échantillon. Il n’en reste pas moins que cet aspect pourrait être
approfondi dans de futures recherches pour valider cette hypothèse. Une étude
longitudinale sur la motivation en sciences serait plus appropriée pour explorer ces
résultats, et tout particulièrement pour mesurer l’effet de l’âge sur la motivation en
sciences.
Bien que nos résultats ne soient que corrélationnels, ils soulèvent quelques points
intéressants : c'est-à-dire que le niveau d’utilisation et le type d’usage pourraient avoir
un lien avec la motivation à apprendre. Malgré le fait que les polycompétents utilisent
également l’ordinateur pour jouer et communiquer, ils n’ont pas des caractéristiques
motivationnelles comparables au profil ludique-communicant. Les élèves du profil
ludique-communicant ont des caractéristiques beaucoup plus proche des utilisateurs
occasionnels, ce qui est central dans ces résultats. Cela implique que ce n’est pas
uniquement le temps d’utilisation qui joue un rôle, mais que le type d’utilisation serait
111
également lié à la motivation. Nous poursuivons donc en discutant des relations entre le
type d’usage et les variables motivationnelles.
5.3 Jouer, parler ou réfléchir avec l’ordinateur, tous équivalents?
Nos analyses nous ont mené jusqu’à maintenant à trouver trois profils distincts
d’utilisateurs basés sur l’utilisation personnelle des technologies. Nous avons ensuite
rapporté que ces trois profils ne se distinguent pas uniquement sur le temps consacré à
l’utilisation des technologies, mais qu’ils se distinguent par rapport à leur motivation en
sciences. Toutefois, nous croyons qu’il y a encore place à exploration sur ces
distinctions. Notre troisième objectif était d’explorer quels pourraient être les liens entre
les utilisations à des fins personnelles des TIC et les variables motivationnelles retenues.
Les différentes modélisations ont permis d’explorer plus en profondeur les différences
entre les profils, et ce, en fonction des usages.
Notre modélisation est inspirée du modèle des attentes et de la valeur utilisé dans
plusieurs études (Chouinard et al., 2007; Eccles et al., 1998; Greene, DeBacker,
Ravindran et Krows, 1999). Néanmoins, nos analyses nous ont poussés à y ajouter deux
nouvelles dimensions, c'est-à-dire les profils d’utilisateurs et les types d’utilisation.
Notre première modélisation nous a permis d’explorer les variables et les liens pertinents
à notre analyse. Nous constatons d’abord que les buts d’évitement du travail n’ont pas de
lien significatif avec l’engagement, ce qui nous a poussés à conserver un modèle à deux
types de buts. Ce résultat, également observé par Chouinard et al (2007) peut s’expliquer
par l’effet très fort des autres buts dans le modèle, tout particulièrement les buts de
maîtrise-approche qui expliquent en grande partie l’engagement en sciences. Les
112
modèles à deux buts ont d’ailleurs été les premiers à avoir été utilisés dans les
recherches empiriques (Elliot et Harackiewicz, 1996; Harackiewicz, Barron, Tauer,
Carter et Elliot, 2000), et sont encore retenus par certains auteurs (Phan, 2010). Qui plus
est, en explorant davantage nos modèles, nous avons constaté que l’effet des buts de
performance-approche était trop faible pour être conservé dans le modèle final. L’effet
des buts de performance-approche est souvent mitigé dans la littérature. Certains auteurs
parlent de corrélations positives (Harackiewicz, Barron, Pintrich, et al., 2002), alors que
d’autres n’observent pas de liens significatifs entre les buts de performance-approche et
le sentiment de compétence ou l’engagement (Linnenbrink, 2005; Sakiz, 2011; Walker
et Greene, 2009). L’hypothèse soulevée par plusieurs seraient que l’importance des buts
de performance-approche varierait selon l’âge ou la culture des élèves (Midgley et al.,
2001). Dans notre cas, les buts de performance-approche n’ont pas eu de lien significatif
avec l’engagement et ont été supprimés du modèle final.
Nos résultats nous ont permis de voir qu’il n’existait pas de solution satisfaisante en
considérant trois profils distincts. Bien que nous ayons observé des différences
motivationnels entre les profils (avec l’objectif 2), ces analyses nous ont permis de voir
que les liens entre les variables ne semblent pas significativement différents selon le
profil. Ce résultat n’est guère surprenant. Les liens entre les variables motivationnelles
semblent assez stables à travers les écrits, et par conséquent, il serait surprenant de voir
des relations significativement différentes entre les profils. Nous nous attarderons
maintenant à notre modèle final dans lequel l’engagement est prédit par le sentiment de
compétence, l’intérêt, les buts de maîtrise-approche et les habitudes technologiques.
113
Les utilisations des technologies pour des usages à caractère intellectuel ont un lien
positif avec le sentiment de compétence en sciences qui résulte en un effet positif
indirect sur l’engagement. Ces usages incluent le traitement de texte, l’utilisation de
logiciels éducatifs et la recherche sur Internet pour les devoirs. Ce résultat est assez
intéressant. Le fait que l’élève utilise les technologies dans ces contextes peut facilement
se transposer comme une forme d’engagement à l’école. Il utilise l’ordinateur dans des
conditions favorables à son apprentissage, et il pourra développer des compétences qui
lui seront utiles dans ses cours. Nous enrichissons les précédentes études en proposant
qu’une utilisation personnelle à caractère intellectuel (sans aucun contexte particulier)
aura également un effet positif sur la motivation à apprendre en sciences, et ce, peu
importe le profil d’utilisateur. Les enseignants ont donc intérêt à favoriser les usages
intellectuels des TIC afin de faciliter l’engagement et la participation en sciences.
Contrairement à l’idée populaire, nos résultats montrent que l’usage pour jouer ou pour
le divertissement (la recherche personnelle sur Internet) n’a pas de lien négatif ni positif
avec la motivation à apprendre. En ce sens, les études ne sont pas encore arrivées à un
consensus clair. Quelques études ont quand même obtenu des résultats suggérant des
répercussions positives. Tout d’abord, l’étude PISA conclut que les élèves qui utilisent
très peu l’ordinateur pour jouer ont une note moyenne plus faible en lecture. Toutefois,
elle nuance ces résultats en précisant que ceux qui jouent très souvent à l’ordinateur
(tous les jours) obtiennent également des notes plus faibles (Bussière et Gluszynski,
2004). Ceux qui jouent quelques fois par semaine à une fois par mois obtiennent des
notes plus élevées. D’autres études concluent à des résultats plus modérés (McFarlane,
Sparrowhawk et Heald, 2002). Les résultats indiquent que le type de jeux (simulation,
114
action, casse-tête, etc.) peut affecter les conséquences attendues. Par exemple, certains
jeux de simulation auront des effets positifs sur le développement des aptitudes scolaires
(McFarlane et al., 2002). Ils ne sont pas les seuls à penser que les jeux sur l’ordinateur
ont une certaine valeur pédagogique (Gee, 2007; Kolko et Putnam, 2009). D’autres
auteurs concluent plutôt que ceux qui jouent avec l’ordinateur durant les temps libres
obtiennent des notes plus faibles (Ip, Jacobs et Watkins, 2008; Sharif et Sargent, 2006).
Comme l’a dit Cheryl Olson, co-directeur du centre de santé mentale et des médias de
l’hôpital général du Massachusetts : « Games are a medium. They’re not inherently good
or bad. » (Anthes, 2009). Le débat est encore présent dans la littérature. Il semble plutôt
difficile de tracer une ligne claire, et comme l’a mentionné Gentile (2009) : « … how
games influence our brains is not an either-or-proposition ; games can have both positive
and negative consequences, and which of the researches find depends on what they are
testing. ». Une étude entière pourrait être consacrée à l’utilisation des jeux à l’ordinateur
et les répercussions sur la motivation à apprendre.
L’utilisation personnelle pour la communication (le courriel et le clavardage) serait liée
de façon négative avec le sentiment de compétence, l’intérêt et les buts de maîtrise-
approche en sciences, et ultimement avec l’engagement. Les élèves qui passent plus de
temps à communiquer avec les TIC sont moins intéressés et moins engagés en sciences.
À notre connaissance, il n’y a pas d’étude qui a fait cette distinction entre les usages
pour jouer et pour communiquer, particulièrement en ce qui concerne la motivation. Ce
résultat, particulier à notre étude, est très intéressant. L’utilisation des TIC pour la
communication semblerait être l’élément négatif dans la combinaison des usages.
L’utilisation à des fins de communication demande un niveau très faible de compétence
115
à l’ordinateur et est souvent considéré comme chronophage, ce qui a pour effet de ne pas
amener l’élève à améliorer son niveau d’efficacité à l’ordinateur. Selon nous, le temps
passé à échanger des messages prendrait la place d’activités plus favorables avec les TIC
qui pourraient permettre le développement de compétences technologies comme avec
certains jeux (Gee, 2007; Kolko et Putnam, 2009; Subrahmanyam, Greenfield, Kraut et
Gross, 2001) ou par des usages plus intellectuels (Trucano, 2005; Wenglinsky, 1998).
La partie motivationnelle du modèle met en évidence des résultats intéressants. Du
modèle initial à trois buts, nous avons conclu que les buts de performance-approche et
les buts d’évitement du travail n’ont pas obtenu des coefficients statistiquement
significatifs dans notre modélisation. Comme Chouinard et al. (2007), ces types de buts
n’avaient pas de lien significatif (ou à la limite significative) direct ou indirect sur la
variable prédite qui, dans notre cas, est l’engagement. Nous pensons que la présence des
autres variables prédictives dans le modèle est suffisante pour expliquer l’engagement.
De plus, certains auteurs pensent également que le contexte de classe pourrait jouer un
rôle important sur l’effet des types de buts (Linnenbrink et Pintrich, 2001), et que l’âge
est souvent un facteur déterminant pour l’importance des buts de performance-approche
(Midgley et al., 2001). On peut également voir que le lien entre les buts de maîtrise-
approche et l’engagement est très fort. En conséquence, un élève qui réalise une tâche
par intérêt et pour apprendre est celui qui sera plus impliqué et engagé dans la tâche. Il
est intéressant de voir que le modèle nous indique que c’est le sentiment de compétence
et les buts de maîtrise-approche qui ont l’effet total significatif le plus important sur
l’engagement. Ce résultat n’est pas surprenant. L’élève avec des meilleures habitudes
116
motivationnelles est davantage motivé par l’apprentissage et il ne l’est pas seulement par
les notes (Eccles et al., 1998; Urdan et Turner, 2005).
5.4 La conclusion
Notre étude avait pour but d’explorer les relations entre l’utilisation à des fins
personnelles des TIC et la motivation à apprendre en sciences. Nos résultats ont montré
qu’il semble exister un lien entre le niveau d’utilisation de l’ordinateur, les types
d’usages à des fins personnelles et la motivation à apprendre. À partir des trois profils
d’utilisateurs que nous avons dégagés, nous avons montré que selon le niveau et le type
d’usage, les caractéristiques motivationnelles des élèves étaient différentes. Les jeunes
qui ont un profil d’utilisateur plus varié avec un temps d’utilisation plus important sont
également ceux qui sont plus motivés en sciences. Comme l’ont mentionné
Papanastasiou et al. (2003), ce n’est pas tant l’utilisation des technologies qui semble
influencer de façon positive ou négative, mais plutôt le type d’usage. En effet, nos
résultats semblent montrer que les utilisations liées à la communication sont liées de
façon négative à la motivation alors que les usages de nature plus intellectuelle
(traitement de texte, recherche sur Internet pour les devoirs et logiciels éducatifs)
seraient liés de façon positive à la motivation. Comme le suggèrent certains auteurs
(Beltran et al., 2008) par exemple, malgré qu’à prime abord on pourrait croire que
l’utilisation des technologies pourrait se faire au détriment des études, on pourrait
supposer que cela se fait également au détriment des comportements déviants. Ainsi, le
jeune qui passe davantage de temps devant l’ordinateur, ne le passe pas dans la rue à
117
faire autre chose. On pourrait supposer qu’il développe de l’intérêt et un goût à réaliser
des tâches à l’ordinateur qui pourront ensuite se transposer par un intérêt envers l’école.
5.4.1 Contributions de l’étude aux connaissances scientifiques et pratiques
professorales
Du point de vue scientifique, notre étude a permis de confirmer ce que certaines études
avaient déjà avancé, c'est-à-dire qu’il semble exister différents profils d’utilisateurs des
technologies (Beauvisage, 2009; Bibeau, 2007). Nous avons trouvé qu’il est possible
d’établir une typologie intéressante à partir de mesures autorapportées. Nos résultats
enrichissent les connaissances en montrant qu’il existe une relation entre les profils et la
motivation à apprendre en sciences. Notre étude devrait influencer les chercheurs qui
s’intéressent à l’utilisation des TIC en classe et à la maison. Il ne faut pas croire que
l’unique présence de l’ordinateur à la maison est suffisante pour supposer que les élèves
utilisent et connaissent l’ordinateur. Il serait donc essentiel pour les chercheurs de
mesurer et d’évaluer les usages des technologies qui sont faits en dehors du contexte des
activités scolaires afin de contrôler cet aspect. Notre modélisation de la motivation à
apprendre nous a montré que des usages à des fins de communication sont plutôt liés de
façon négative avec l’engagement, alors que les usages à caractère intellectuel, sont liés
de façon positive à l’engagement en sciences. Notre modélisation nous a également
montré l’importance qu’il faut accorder aux buts de maîtrise-approche pour assurer un
certain niveau d’engagement des élèves. De plus, nous avons constaté que les buts de
performance-approche et les buts d’évitement du travail n’ont pas de lien significatif sur
l’engagement lorsque l’on tient compte des variables déjà présentes dans notre modèle
(les buts de maîtrise-approche, le sentiment de compétence, l’intérêt et les types
118
d’utilisation des TIC). Bien que l’objectif ne fût pas de tester une typologie des buts,
l’interaction et les liens entre les différents types de buts auraient intérêt à être
approfondis afin de vérifier ce résultat. Une étude complète pourrait être consacrée aux
différents types de buts maintenant soutenus par la littérature, les différentes typologies
existantes, et leurs possibles liens avec l’engagement en sciences et l’utilisation des
technologies.
Pour l’enseignant, notre étude suggère quelques pistes intéressantes. Nos résultats ont
montré que malgré l’omniprésence de l’ordinateur dans les foyers, le temps et les types
d’utilisation des élèves sont très variées. Il est donc important en tant qu’enseignant de
fournir les opportunités nécessaires aux développements des compétences TIC en classe,
afin que les élèves qui n’ont pas cette chance à la maison puissent les développer à
l’école. Ce que nous avons appelé plus tôt le fossé technologique est bel et bien présent
dans nos résultats. L’école se doit de suivre et de s’adapter aux changements de la
société, en intégrant et en favorisant une utilisation pédagogique des technologies. En ce
sens, un projet récent a démontré que l’intégration intensive de l’ordinateur (un
ordinateur portable par enfant) a eu pour effet de faire passer le décrochage de 39 à 22 %
en plus d’observer une augmentation de la motivation et de l’intérêt des élèves en classe
(Karsenti, 2011). Nos résultats proposent également que les enseignants ont intérêt à
favoriser des usages intellectuels (comme la recherche sur Internet pour des devoirs, le
traitement de texte et les logiciels éducatifs) des TIC plutôt que de laisser des activités
libres à l’ordinateur. Les utilisateurs qui concentrent leur utilisation sur la
communication n’ont pas rapporté être aussi motivés que les utilisateurs avec des usages
variés. Selon nous, ces élèves risquent de ne pas développer les mêmes TIC que ceux qui
119
font des usages variés, favorisant ainsi l’aspect chronophage de l’ordinateur plutôt que
ses aspects positifs. En agissant à titre de formateur technologique, l’école pourrait
développer les compétences de façon égale pour tous les jeunes et ainsi augmenter et
favoriser, croyons-nous, la motivation à apprendre. Bien que notre étude ne concerne
que le cours de sciences, nous croyons que les résultats pourraient permettre d’avancer
des hypothèses dans les autres domaines d’enseignement également.
Finalement, comme parent, il ne faut pas croire que l’ordinateur aura nécessairement des
répercussions négatives avec le vécu scolaire des enfants. Nos résultats montrent que le
profil qui utilise le plus les technologies est celui avec les caractéristiques
motivationnelles plus positives, mais que ceux qui utilisent l’ordinateur principalement
pour communiquer et jouer sont moins motivés. Par conséquent, nous croyons qu’il ne
faut pas enlever le droit d’utilisation de l’ordinateur à la maison, mais plutôt favoriser
des usages variés et pédagogiques de l’ordinateur. Ainsi, il serait possible de favoriser le
développement des compétences technologies qui pourront être transposées dans les
domaines scolaires. Le jeu à l’ordinateur pourra également agir à titre d’agent
motivateur ou comme renforcement pour les jeunes.
5.4.2 Limites
Notre étude, bien que menée avec rigueur, comporte certaines limites liées aux méthodes
de collecte et aux méthodes d’analyse. Nous présenterons d’abord les limites liées à la
collecte de données et ensuite celles liées aux analyses.
Dans le cadre de cette recherche, nous avons uniquement utilisé des mesures
autorapportées. Ces mesures sont considérées par plusieurs comme étant tout à fait
120
adéquates pour mesurer les perceptions personnelles (Assor et Connell, 1992).
Toutefois, puisque nous n’avons pas observé directement l’utilisation des technologies,
il est plutôt difficile d’arriver à une classification aussi complexe que celle présentée par
Bibeau (2007) ou par Beauvisage (2009). Dans ces deux cas, ils sont arrivés à des
typologies à six ou sept niveaux d’utilisateurs. En observant directement les différents
usages, à la maison et en classe, il serait possible d’élaborer une typologique plus
complexe, qui tiendrait compte non pas seulement des types d’usage, mais également du
niveau de complexité dans la tâche. Par exemple, Bibeau (2007) a ajouté certaines
catégories basées sur le fait que des élèves sont des experts qui supportent et aident les
autres. Toutefois, comme on peut le voir dans leurs études, ils se sont limités à
l’observation de l’utilisation des TIC en classe. L’observation de l’utilisation de
l’ordinateur dans tous les contextes peut devenir une tâche quasi-impossible, d’où
l’intérêt d’utiliser des mesures autorévélées, qui nous permet d’avoir un profil global
proche de la réalité, tout en ayant des conditions d’expérimentation réalisables. Le fait
que nous ayons considéré un échantillon limité ne nous a pas permis d’étudier les
populations extrêmes. En effet, nos résultats soutiennent que ceux qui font des usages
plus fréquents de l’ordinateur sont plus motivés à l’école. Cela étant dit, nous sommes
conscients que ce résultat risque de ne pas s’appliquer à ceux qui font un usage abusif
des technologies. Nous n’avions pas suffisamment de données pour pouvoir créer un
profil unique représentant les consommateurs « abusifs » des TIC. Cette population
semble avoir un profil bien distinct. Comme le soulève Page (2010), les élèves qui
passent plus de deux heures par jour devant des écrans (ordinateur ou télévision) sont
sujets à une plus grande détresse psychologique.
121
De plus, il existe une autre limite à l’utilisation des échelles de Likert ou ordinales. Il
s’agit avant tout d’échelle ordinale-catégorielle et non pas d’échelles d’intervalles ou
continues. Les récentes avancées en mathématiques et statistiques ont tendance à
suggérer de nouvelles méthodes pour l’analyse de ce type de données plutôt que
d’utiliser les méthodes plus traditionnelles qui supposent un intervalle constant entre les
mesures ou des items continus. Il n’en reste pas moins que ces nouvelles méthodes sont
encore assez innovatrices et peu utilisées dans le contexte des sciences sociales (Muthen
et Asparouhov, 2010; Rhemtulla, Brosseau-Liard et Savalei, 2010; Wu, 2007).
Les méthodes d’analyse retenues présentent également des limites. Nos analyses sont de
l’ordre corrélationnel. Nous pouvons difficilement conclure à un lien causal. Pour arriver
à déterminer des liens causaux, il faudrait arriver à contrôler un maximum de variables,
ce qui peut devenir très difficile dans un contexte comme les sciences sociales, et
particulièrement lorsque l’on étudie des habitudes personnelles. Par conséquent, il est
plutôt difficile de dire qu’est-ce qui influence quoi. Notre hypothèse finale suppose que
les technologies seraient liées de façon positive à la motivation, alors que l’on pourrait
également soutenir l’hypothèse inverse, c'est-à-dire que les élèves qui sont plus motivés
en sciences ont davantage d’intérêt à utiliser l’ordinateur, surtout en ce qui concernent
les utilisations plus intellectuelles. Les élèves plus motivés pourraient représenter un
groupe particulier de jeunes qui ont des bonnes habitudes technologiques. Il s’agit du
même phénomène entre la motivation et le rendement. Est-ce les meilleures notes qui
motivent l’élève, ou est-ce la motivation de l’élève qui favorise les bonnes notes, ou un
peu des deux?
122
5.4.3 Recherches futures
Nos résultats suggèrent plusieurs pistes intéressantes pour les futures recherches. D’un
côté, nos résultats sur la motivation à apprendre laisse entrevoir certaines divergences
avec les études actuelles, et d’un autre côté, nos résultats en lien avec l’utilisation des
technologies devrait pousser les chercheurs à continuer à explorer le domaine en
utilisant nos résultats comme base à leurs études.
Le champ d’étude de la motivation à apprendre est étudié depuis plusieurs années et il
devient de plus en plus complexe. Tout d’abord, nous avons constaté qu’il n’y avait pas
de différences significatives entre les garçons et les filles sur la motivation en sciences.
Ce résultat ne fait pas consensus. La présence des stéréotypes dans les matières
représente un thème de recherche qui évolue rapidement dans le temps, et qui semble
tributaire du contexte de l’étude. Par exemple, en mathématiques, on constate que des
études très récentes ne s’entendent pas non plus sur le sujet, alors que certains résultats
concluent à la présence de stéréotypes (Cvencek, Meltzoff et Greenwald, 2011), d’autres
concluent à l’absence de stéréotypes (Plante, Théorêt et Favreau, 2009). En
conséquence, nous croyons qu’il y a toujours place à des études au niveau des
différences entre les garçons et les filles, et tout particulièrement, avec des suivis
longitudinaux, et si possible, dans plusieurs contextes. Les résultats de ces études nous
permettraient de mieux cerner les moments critiques du développement des jeunes et
intervenir aux bons temps, avec les outils judicieux.
De plus, nos résultats montrent que la typologie à trois types de buts n’était pas
concluante dans notre modélisation. L’étude des buts, et tout particulièrement des buts
123
de performance-approche semble encore sujette à discussion. Il serait intéressant
d’explorer davantage ces variables et d’arriver à établir une typologie plus simple qui
permettrait de mieux comprendre ce qui se passe chez les élèves, au niveau des
différents types de buts d’accomplissement.
Nous croyons que l’apprentissage et le développement des compétences technologiques
passera de plus en plus par une réelle fusion entre l’école et la maison. Les technologies
sont maintenant dans la vie de tous les jours, et il est difficile de ne pas s’en rendre
compte. Une récente étude menée pour le compte du CEFRIO conclut à la présence
d’une nouvelle génération beaucoup plus axée sur les technologies. Après la génération
X et Y, nous constatons l’émergence d’une génération C (CEFRIO, 2009). Cette
génération a grandi avec les technologies de l’information et de la communication et
utilise l’ordinateur et Internet pour communiquer, collaborer et créer. Selon nous, ce
phénomène n’est que le début d’une nouvelle génération. L’émergence des outils du
Web 2.0 et l’accès grandissant à Internet mobile vont nécessairement forger une
nouvelle identité à la prochaine génération. On verra de plus en plus de jeunes apprendre
à manier la souris et manipuler les outils informatiques bien avant d’apprendre à écrire.
Cette nouvelle tendance pourrait jouer un rôle important sur l’intérêt et la motivation des
jeunes à l’école. En effet, les élèves qui auront un bagage technologique plus important
pourraient approcher l’école avec de « nouvelles flèches à leur arc ». En ce sens, il serait
essentiel de développer des outils qui permettent de mesurer la compétence
technologique, en lien avec leurs habitudes et leurs aptitudes, afin de mieux cibler les
élèves qui pourraient avoir besoin de soutien technologique. En effet, bien que la
124
compétence technologique fasse maintenant partie de la nouvelle définition de
l’alphabétisme, le curriculum scolaire du Québec a pris comme décision d’intégrer cette
compétence dans les domaines transversaux, ayant comme conséquence la suppression
des cours dédiés à l’utilisation des technologies. Dorénavant, il en va de la tâche de tous
les enseignants de former les élèves avec cette compétence. Nous croyons que cela
pourrait créer un déséquilibre de formation, ayant comme conséquence de diminuer
l’éventail des stratégies d’apprentissage en lien avec les technologies chez les jeunes.
Les prochaines études devraient s’attarder à ce phénomène : l’importance de la
formation et de la compétence technologique sur l’apprentissage, les stratégies
d’apprentissage et l’engagement des activités en classe. L’intérêt et la motivation pour
apprendre passe de plus en plus par l’utilisation des technologies, et nous pouvons
difficilement en faire abstraction. Cela étant dit, l’école se doit de fournir des chances et
des opportunités équivalentes à tous les jeunes pour qu’ils puissent développer les
compétences nécessaires pour la réussite des activités intégrantes les TIC.
Références Agences QMI. (2011, 11 février). La télévision fait grossir les adolescents, Le journal de
Montréal. Récupéré de http://lejournaldemontreal.canoe.ca/actualites/sante/archives/2010/09/20100920-165224.html
Ainley, M., Frydenberg, E. et Russell, J. (2005). Schooling issues digest: Student motivation and engagement. Récupéré le 2 avril 2011 de http://www.dest.gov.au/sectors/school_education/publications_resources/profiles/schooling_issues_digest_motivation_engagement.htm
Ainley, M. et Hidi, S. (2002). Dynamic measures for studying interest and learning. Dans P. R. Pintrich et M. L. Maehr (Éds.), Advances in motivation and achievement : New directions in measures and methods, (Vol. 12, pp. 43-76). New York: Elservier Science Ltd.
Ames, C. et Archer, J. (1988). Achievement goals in the classroom: Students' learning strategies and motivation processes. Journal of Educational Psychology, 80(3), 260-267.
Ames, C. A. (1992). Classrooms: Goals, structures, and student motivation. Journal of Educational Psychology, 84(3), 261-271.
Angrist, J. et Lavy, V. (2002). New evidence on classroom computers and pupil learning. The Economic Journal(112), 735-765.
Anthes, E. (2009, 12 octobre). How video games are good for the brain, The Boston Globe.Récupéré de http://www.boston.com/news/health/articles/2009/10/12/how_video_games_are_good_for_the_brain/
Arafeh, S. et Levin, D. (2003). The digital disconnect: The widening gap between Internet-savvy students and their schools. Communication présentée à la « Society for Information Technology and Teacher Education International Conference 2003 », Albuquerque, New Mexico, USA.
Archambault, J. et Chouinard, R. (2003). Vers une gestion éducative de la classe. (2ee éd.). Boucherville, Québec: G. Morin.
Archer, J. (1994). Achievement goals as a measure of motivation in university students. Contemporary Educational Psychology, 19(4), 430-446.
Assor, A. et Connell, J. P. (1992). The validity of students' self-reports as measures of performance affecting self-appraisals. Dans D. H. Schunk et J. L. Meece (Éds.), Student perceptions in the classroom (pp. 25–47). Hillsdale, NJ: Erlbaum.
Attewell, P. et Battle, J. (1999). Home computers and school performance. InformationSociety, 15(1), 1-10.
126
Badagliacco, J. M. (1990). Gender and race differences in computing attitudes and experience. Social Science Computer Review, 8(1), 42-64.
Bain, A. et Ross, K. G. (2000). School reengineering and SAT-I performance: A case study. International Journal of Educational Reform, 9(2), 148-154.
Balanskat, A., Blamire, R. et Kefala, S. (2006). The ICT impact report. Learning.
Bandalos, D. L. (2002). The effects of item parceling on goodness-of-fit and parameter estimate bias in structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 9(1), 78 - 102.
Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory.Englewood Cliffs, NJ: Prentice-Hall.
Banerjee, A., Cole, S., Duflo, E. et Linden, L. (2005). Remedying education: Evidence from two randomized experiments in India. National Bureau of Economic Research Working Paper Series, No. 11904.
Barbeau, D., Montini, A. et Roy, C. (1997). Comment favoriser la motivation scolaire. Pédagogie collégiale, 11(1), 9-13.
Barnett, B. et Calhoun, K. (2008). Bringing expert and personal voices into the classroom: Educational DVDs as pedagogical tools. Récupéré de http://org.elon.edu/catl/documents/BarnettCalhoun-PersonalVoices.pdf
Barron, B., Walter, S. E., Martin, C. K. et Schatz, C. (2010). Predictors of creative computing participation and profiles of experience in two Silicon Valley middle schools. Computers & Education, 54, 178-189.
Barron, K. E. et Harackiewicz, J. M. (2003). Revisiting the benefits of performance-approach goals in the college classroom: Exploring the role of goals in advanced college courses. International Journal of Educational Research, 39(4-5), 357-374.
Beauvisage, T. (2009). Computer usage in daily life. Communication présentée à la « CHI2009 - Digital Life New World », Boston, MA, USA.
BECTA. (2008). How do boys and girls differ in their use of ICT?
Beltran, D., Das, K. et Fairlie, R. (2008). Are computers good for children? The effects of home computers on educational outcomes: Centre for Economic Policy Research, Research School of Economics, Australian National University.
Beltran, D., Das, K. et Fairlie, R. W. (2005). Do home computers improve educational outcomes? Evidence from matched current population surveys and the national longitudinal survey of youth 1997.
127
Benney, A. (2001). Creating an active learning environment using digital video what I did and how I did it. Communication présentée à la « World Conference on Educational Multimedia, Hypermedia and Telecommunications 2001 », Norfolk, VA.
Bernie, D., Molebash, P., Bell, R. et Mason, C. (2002). Promoting student inquiry: WebQuests to web inquiry projects (WIPs). Communication présentée à la « Society for Information Technology and Teacher Education International Conference 2002 », Nashville, Tennessee, USA.
Betts, S. (2003). Does the use of ICT affect quality in learning science at Key Stage 3 ? Studies in Teaching and Learning, 9-17.
Bibeau, R. (2007). Cinq profils d'utilisateurs des TIC à l'école. Récupéré le 18 mars 2011 de http://www.robertbibeau.ca/Profils.rtf
Bodner, K. (2004). Classroom websites: Well worth the time! Communication présentée à la « Society for Information Technology and Teacher Education International Conference 2004 », Atlanta, GA, USA.
Boechler, P., Leenaars, L. et Levner, I. (2008). Recreational vs educational computer experience: Predicting explicit and implicit learning outcomes during a website search. Communication présentée à la « Society for Information Technology and Teacher Education International Conference 2008 », Las Vegas, Nevada, USA.
Bollen, K. A. et Stine, R. A. (1992). Bootstrapping goodness-of-fit measures in structural equation models. Sociological Methods & Research, 21(2), 205-229.
Bonneau, C. et Fusaro, M. (2007). Intertechnological appropriation of ICTs by Quebec teenagers: Challenging perceptions to better define trends. Communication présentée à la « International Association for Media and Communication Research », Paris, France.
Bork, A. (1985). Personal computing for education. New York: Harper and Row.
Boster, F. J., Meyer, G. S., Roberto, A. J., Lindsey, L., Smith, R., Strom, R. et Inge, C. C. (2004). A report on the effect of the unitedstreaming(TM) application on educational performance: The 2004 Los Angeles Unified School District mathematics evaluation: Cometrika, Inc., Baseline Research, LLC, & Longwood University.
Bouffard, T., Boisvert, J., Vezeau, C. et Larouche, C. (1995). The impact of goal orientation on self-regulation and performance among college students. British Journal of Educational Psychology, 65(3), 317-330.
Bouffard, T., Vezeau, C., Romano, G., Chouinard, R., Bordeleau, L. et Filion, C. (1998). Élaboration et validation d’un instrument pour évaluer les buts des élèves en contexte scolaire. Revue canadienne des sciences du comportement, 30(3), 203-206.
128
Boulet, A., Savoie-Zajc, L. et Chevrier, J. (1996). Les stratégies d'apprentissage à l'université. Sainte-Foy: Presses de l'Université du Québec.
Bowlby, J. et McMullen, K. (2002). À la croisée des chemins. Québec, Canada: Centre de publications de DRHC.
Brallier, S. A., Palm, L. J. et Gilbert, R. M. (2007). Predictors of exam performance in web and lecture courses. Journal of Computing in Higher Education.
Bristish Educational Communication and Technology Agency. (2003). What the research says about using ICT in science. Récupéré le 18 avril 2011 de http://www.becta.org.uk/research
Bristish Educational Communication and Technology Agency. (2009). Leading next generation learning. Récupéré le 18 avril 2011 de http://about.becta.org.uk/
Britner, S. L. (2008). Motivation in high school science students: A comparison of gender differences in life, physical, and earth science classes. Journal of Research in Science Teaching, 45(8), 955-970.
Broos, a. et Roe, K. (2006). The digital divide in the playstation generation: Self-efficacy, locus of control and ICT adoption among adolescents. Poetics, 34, 306-317.
Brophy, J. E. (2004). Motivating students to learn. (2nde éd.). Mahwah, NJ: Lawrence Erlbaum Associates.
Brousseau, N. et Vazquez-Abad, J. (2003). Analyse de la nature constructiviste d'une activité d'apprentissage collaboratif médié par les TIC. Revue canadienne de l'apprentissage et de la technologie, 29(3), 37-55.
Bussière, P. et Gluszynski, T. (2004). Les incidences de l'utilisation de l'ordinateur sur la capacité de lecture des jeunes de 15 ans. Politique sur l'apprentissage. Direction générale de la politique stratégique et de la planification. Ottawa, ONT: Ressources humaines et Développement des compétence Canada.
Butler, D. (2000). Gender, girls, and computer technology: What' the status now? ClearingHouse, 73(4), 225-229.
Byrne, B. M. (2010). Structural equation modeling with AMOS : Basic concepts, applications, and programming. (2nde éd.). New York: Routledge.
Cagiltay, N. E. (2007). Teaching software engineering by means of computer-game development: Challenges and opportunities. British Journal of Educational Technology, 38(3), 405-415.
Cardinal, R. N. et Aitken, M. R. F. (2005). ANOVA for the behavorial science researcher.Mahwah, NJ: Lawrence Erlbaum Associates.
129
Cavanaugh, C., Dawson, K. et Ritzhaupt, A. (2008). Statewide study of 1:1 computing: Effect on teaching and achievement. Statewide laptop research paper.
CEFRIO. (2008). Plus de 150 000 adultes sondés ! CEFRIO.
CEFRIO. (2009). Enquête sur la génération C : les 12-24 ans, utilisateurs extrêmes d’internet et des TI. Récupéré de http://www.cefrio.qc.ca/fileadmin/documents/Communiques/colloque_com_20_octobre_2009.pdf
CEO. (2001). The CEO Forum school technology and readiness report: Key building blocks for student achievement in the 21st century. Récupéré le 18 avril 2011 de http://www.ceoforum.org/downloads/report4.pdf.
Cepni, S., Tas, E. et Kose, S. (2006). The effects of computer-assisted material on students’ cognitive levels, misconceptions and attitudes towards science. Computers & Education, 46, 192-205.
Chan-Lin, L.-J. (2008). Technology integration applied to project-based learning in science. Innovations in Education and Teaching International, 45, 55-65.
Chang, Y. et Christian, Y. (2008). Gender differences in science achievement, science self-concept, and science values. Communication présenté à la « The 3rd IEA International Research Conference », Taipei, Chinese Taipei.
Charette, M. (2011, 11 janvier). En retard pas à peu près!, Métro. Récupéré de http://www.journalmetro.com/carrieres/article/740846--en-retard-pas-a-peu-pres
Chouinard, R. et Fournier, M. (2002). Attente de succès et valeur des mathématiques chez les adolescentes et adolescents du secondaire. Dans L. L. e. P. Mongeau (Éd.), L'affectivité dans l'apprentissage. Ste-Foy, Qc.: Presses de l'Université du Québec.
Chouinard, R., Karsenti, T. et Roy, N. (2007). Relations among competence beliefs, utility value, achievement goals, and effort in mathematics. British Journal of Educational Psychology, 77(3), 501-517.
Chouinard, R., Vezeau, C., Bouffard, T. et Jenkins, B. (1999). Gender differences in the development of mathematics attitudes. Journal of Research & Development in Education, 32(3), 184-192.
Church, M. A., Elliot, A. J. et Gable, S. L. (2001). Perceptions of classroom environment, achievement goals, and achievement outcomes. Journal of Educational Psychology, 93(1), 43-54.
130
Clark, S. A. (1997). Student motivation in a high school science laboratory: The impact of computers and other technologies on young adolescent physics students. University of Georgia.
Clotfelter, C. T., Ladd, H. F. et Vigdor, J. L. (2008). Scaling the digital divide: Home computer technology and student achievement. Récupéré de http://www.hks.harvard.edu/pepg/PDF/events/colloquia/Vigdor_ScalingtheDigitalDivide.pdf
Coffman, D. L. et MacCallum, R. C. (2005). Using parcels to convert path analysis models into latent variable models. Multivariate Behavioral Research, 40(2), 235 - 259.
Coleman, B., Neuhauser, J. et Vander Zwaag, C. (2004). “Play it Again, Zack!” Video classrooms: Proven practice and projects. Communication présentée à la « World Conference on Educational Multimedia, Hypermedia and Telecommunications 2004 », Lugano, Switzerland.
Colley, A. et Comber, C. (2003). Age and gender differences in computer use and attitudes among secondary school students: what has changed? Educational Research, 45, 155-165.
Collis, B. A. (1996). Children and computers in school. Mahwah, N.J.: L. Erlbaum Associates.
Condie, R. et Munro, B. (2007). The impact of ICT in schools –. Education.
Countries, D. (2009). Knowledge map: Impact of ICTs on learning and achievement. Education, 5-8.
Covington, M. V. et Müeller, J. K. (2001). Intrinsic versus extrinsic motivation: An approach/avoidance reformulation. Educational Psychology Review, 13(2), 157-176.
Cramer, D. et Dennis, L. H. (2004). The sage dictionary of statistics: A practical resource for students in the social sciences. London; Thousand Oaks, CA: SAGE.
CRIOC. (2006). Jeunes et nouvelles technologies. Récupéré de http://www.oivo-crioc.org/textes/pdf/1769fr.pdf
Cury, F., Elliot, A. J., Da Fonseca, D. et Moller, A. C. (2006). The social-cognitive model of achievement motivation and the 2 x 2 achievement goal framework. Journal of Personality and Social Psychology, 90(4), 666-679.
Cvencek, D., Meltzoff, A. N. et Greenwald, A. G. (2011). Math–gender stereotypes in elementary school children. Child Development.
131
Dambrot, F. H., Watkins-Malek, M., Marc Siling, S., Marshall, R. S. et Garver, J. A. (1985). Correlates of sex differences in attitudes toward and involvement with computers. Journal of Vocational Behavior, 27, 71-86.
DeBacker, T. K. et Nelson, R. M. (2000). Motivation to learn science: Differences related to gender, class type, and ability. Journal of Educational Research.
Depover, C., Karsenti, T. et Komis, V. (2007). Enseigner avec les technologies : favoriser les apprentissages, développer des compétences. [Sainte-Foy]: Presses de l'Université du Québec.
des Rivières, P. (2011, 14 février). Les portables en classe favorisent la réussite scolaire,Journal Forum. Récupéré de http://www.nouvelles.umontreal.ca/enseignement/technologies-et-medias/20110214-les-portables-en-classe-favorisent-la-reussite-scolaire.html
Durand, C. (1997). L'analyse factorielle et l'analyse de fidelité: notes de cours et exemples: Université de Montréal.
Durkin, K. et Barber, B. (2002). Not so doomed: Computer game play and positive adolescent development. Journal of Applied Developmental Psychology, 23(4), 373-392. doi:10.1016/s0193-3973(02)00124-7
Dweck, C. S. (1986). Motivational processes affecting learning. American Psychologist., 41(10), 1040-1048.
Dweck, C. S. et Leggett, E. L. (1988). A social-cognitive approach to motivation and personality. Psychological Review, 95(2), 256-273.
Eccles, J. S., Adler, T. F. et Meece, D. H. (1984). Sex differences in achievement: A test of alternate theories. Journal of Personality and Social Psychology, 46, 26-43.
Eccles, J. S. et Jacobs, J. E. (1986). Social forces shape math attitudes and performance. Signs, 11(2), 367-380.
Eccles, J. S. et Wigfield, A. (1995). In the mnd of the actor: The structure of adolescents' achievement task values and expectancy-related beliefs. Pers Soc Psychol Bull, 21(3), 215-225.
Eccles, J. S. et Wigfield, A. (2002). Motivational beliefs, values, and goals. Annual Review of Psychology, 53(1) 2002.
Eccles, J. S., Wigfield, A. et Schiefele, U. (1998). Motivation to succeed. Dans W. D. N. Eisenberg (Éd.), Handbook of Child Psychology. (Vol. 3, pp. 1017-1095.). NJ: John Wiley.
132
Elliot, A. et Thrash, T. (2001). Achievement goals and the hierarchical model of achievement motivation. Educational Psychology Review, 13(2), 139-156. doi:10.1023/a:1009057102306
Elliot, A. J. et Harackiewicz, J. M. (1996). Approach and avoidance achievement goals and intrinsic motivation: A mediational analysis. Journal of Personality and Social Psychology, 70, 968-980.
Elliot, A. J. et McGregor, H. A. (2001). A 2 × 2 achievement goal framework. Journal of Personality and Social Psychology, 80(3), 501-519.
Elliot, A. J. et Sheldon, K. M. (1997). Avoidance achievement motivation: A personal goals analysis. Journal of Personality and Social Psychology, 73(1), 171-185.
Elliott, A. J. (1999). Approach and avoidance motivation. Educational Psychologist, 34(3),168-189.
European Schoolnet. (2004). ERNIST ICT Schoolportraits’ Publisher: European Schoolnet: The Netherlands inspectorate of Education.
Fairlie, R., W. et London, R. A. (2009). The effects of home computers on educational outcomes: Evidence from a field experiment with community college students. Récupéré de http://www.economics.uci.edu/docs/micro/w09/fairlie.pdf
Fairlie, R. W. (2005). The effects of home computers on school enrollment. Economics of Education Review, 24(5), 533-547
Fennema, E. et Sherman, J. A. (1978). Sex-related differences in mathematics achievement and related factors: A further study. Journal for Research in Mathematics Education. 9, 3, 189-203, May 78.
Fernandez, B. (2005). Literacy in francophone countries, situations and concepts.: Background paper for EFA Global Monitoring Report 2006.
Field, A. (2009). Discovering statistics using SPSS (and sex and drugs and rock'n'roll). (3e
éd.). London: SAGE publications.
Fiorini, M. (2009). The effect of home computer use on children’s cognitive and non-cognitive skills. Economics of Education Review (2009),doi:10.1016/j.econedurev.2009.1006.1006.
Foon, A. E. (1988). Nongovernment school systems: Funding policies and their implications. Comparative Education Review., 32(2), 197-212.
Fornell, C. et Larcker, D. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. doi:citeulike-article-id:4788128
133
Fredricks, J. A., Blumenfeld, P. C. et Paris, A. H. (2004). School engagement: Potential of the concept, state of the evidence. Review of Educational Research, 74(1), 59-109.
Freudenthaler, H. H., Spinath, B. et Neubauer, A. C. (2008). Predicting school achievement in boys and girls. European Journal of Personality, 22(3), 231-245. doi:10.1002/per.678
Fried, C. B. (2008). In-class laptop use and its effects on student learning. Computers & Education, 50(3), 906-914. doi:DOI: 10.1016/j.compedu.2006.09.006
Friedler, Y., Nachmias, R. et Songer, N. (1989). Teaching scientific reasoning skills: A case study of a microcomputer-based curriculum. School Science and Mathematics.
Fuchs, T. et Woessman, L. (2004). "Computers and student learning: Bivariate and multivariate evidence on the availability and use of computers at home and at school", : CESifo Working Paper, 1321.
Garson, D. (2011a). PA 765 Statnotes: An online textbook. Récupéré le 18 avril 2011 de http://www2.chass.ncsu.edu/garson/pa765/statnote.htm
Garson, D. (2011b). PA 765 Statnotes: Cluster analysis. Récupéré le 18 avril 2011 de http://faculty.chass.ncsu.edu/garson/PA765/cluster.htm
Garson, D. (2011c). PA 765 Statnotes: Factor analysis. Récupéré le 18 avril 2011 de http://faculty.chass.ncsu.edu/garson/PA765/factor.htm
Garson, D. (2011d). PA 765 Statnotes: Reliability analysis. Récupéré le 18 avril 2011 de http://faculty.chass.ncsu.edu/garson/PA765/reliab.htm
Gee, J. P. (2007). Good video games + good learning : Collected essays on video games, learning and literacy. New York: P. Lang.
Ginger Holmes, R., Diane, G. P., Judith, A. H., Brenda, C. P., Chrisila, C. P. et Judith, M. I.-G. (2003). Computer-related gender differences. SIGCSE Bull., 35(1), 54-58.
Gonzalez, P., Williams, T., Jocelyn, L., Roey, S., D., K. et Brenwald, S. (2008). Highlights from TIMSS 2007: Mathematics and science achievement of U.S. fourth- and eighth-grade students in an international context (NCES 2009–001 revised) National Center for Education Statistics, Institute of Education and Sciences, U.S. Departement of Education. Washington, DC.
Goolsbee, A. et Guryan, J. (2002). The impact of Internet subsidies in public schools. NBER Working Paper Series (pp. 33).
134
Gouvernement du Québec. (2001). Le Québec lance la campagne «Brancher les familles sur Internet». Récupéré de http://communiques.gouv.qc.ca/gouvqc/communiques/GPQF/Mai2000/01/c0085.html.
Gouvernement du Québec. (2006). Programme de formation de l'école québécoise. Enseignement secondaire, permier cycle. (ISNB 2-550-46698-5). Bibliothèque nationale du Québec.
Gray, D. S. et Souter, N. (2000). Secondary science teachers use of, and attitudes towards, ICT In Scotland. Communication présentée The International Union of Biological Sciences Commission for Biological Education, Paris, France.
Green, S. B. et Yang, Y. (2009). Commentary on coefficient Alpha: A cautionary tale. Psychometrika, 74(1), 121-135.
Greene, B. A., DeBacker, T. K., Ravindran, B. et Krows, A. J. (1999). Goals, values, and beliefs as predictors of achievement and effort in high school mathematics classes. SexRoles, 40(5), 421-458.
Grimm, L. G. et Yarnold, P. R. (2000). Reading and understanding more multivariate statistics. Washington, DC: American Psychological Association.
Grolnick, W. S., Gurland, S. T., Jacob, K. F. et Decourcey, W. (2002). The development of self-determination in middle childhood and adolescence. Dans A. Press (Éd.), Development of Achievement Motivation (pp. 148-174). San Diego: Academic Press.
Hall, R. J., Snell, A. F. et Foust, M. S. (1999). Item parceling strategies in SEM : investigating the subtle effects of unmodeled secondary constructs. Organisationalresearch method, 2(3), 233-256.
Harackiewicz, J. M., Barron, K. E., Pintrich, P. R., Elliot, A. J. et Thrash, T. M. (2002). Revision of achievement goal theory: necessary and illuminating. Journal of Educational Psychology, v94(3), 638-645.
Harackiewicz, J. M., Barron, K. E., Tauer, J. M., Carter, S. M. et Elliot, A. J. (2000). Short-term and long-term consequences of achievement goals: predicting interest and performance over time. Journal of Educational Psychology, 92(2), 316-330.
Harackiewicz, J. M., Barron, K. E., Tauer, J. M. et Elliot, A. J. (2002). Predicting success in college: A longitudinal study of achievement goals and ability measures as predictors of interest and performance from freshman year through graduation. Journalof Educational Psychology, 94(3), 562-575.
Harackiewicz, J. M., Durik, A. M., Barron, K. E., Linnenbrink-Garcia, L. et Tauer, J. M. (2008). The role of achievement goals in the development of interest: reciprocal relations between achievement goals, interest, and performance. Journal of Educational Psychology, 100(1), 105-122.
135
Harris, J. (2001). The effects of computer games on young children: A review of the research. London, UK: Research, Development and Statistics Directorate.
Harter, S. (1982). The perceived competence scale for children. Child Development, 53, 87-97.
Harvey, T. J. et Stables, A. (1986). Gender differences in attitudes to science for third-year pupils: An argument for single-sex teaching groups in mixed schools. Research in Science and Technological Education., 4(2), 163-170.
Hasan, B. (2003). The influence of specific computer experiences on computer self-efficacy beliefs. Computers in Human Behavior, 19(4), 443-450. doi:Doi: 10.1016/s0747-5632(02)00079-1
Healy, J. M. (2004). Young Children Don't Need Computers. Education Digest: Essential Readings Condensed for Quick Review, 69(5), 57-58.
Heinssen, R. K. J., Glass, C. R. et Knight, L. A. (1987). Assessing computer anxiety: development and/validation of the computer anxiety rating scale. Computers in Human Behavior, 3, 49-59.
Hennessy, S. (2000). Graphing investigations using portable (palmtop) technology. Journalof Computer Assisted Learning, 16, 243-258.
Heyman, G. D. et Dweck, C. S. (1992). Achievement goals and intrinsic motivation: their relation and their role in adaptive motivation. Motivation and Emotion, 16(3), 231-247.
Hidi, S. et Harackiewicz, J. M. (2000). Motivating the academically unmotivated: A critical issue for the 21st century. Review of Educational Research, 70(2), 151-179.
Higgins, S., Falzon, C., Hall, I., Moseley, D., Smith, F., Smith, H. et Wall, K. (2005). Embedding ICT in the literacy and numeracy strategies: Final report.: University of Newcastle upon Tyne, Newcastle. .
Holt, J., K. (2004). Item parceling in structural equation models for optimum solutions.Communication présentée à la « Annual meeting of the Mid-western Education Research Association », Columbus, OH.
Hoskins, S. L. et van Hooff, J. C. (2005). Motivation and ability: Which students use online learning and what influence does it have on their achievement? British Journal of Educational Technology, 36(2), 177-192.
Howard, J. (2007). Minister highlights investments in education. Récupéré de http://www.releases.gov.nl.ca/releases/2007/edu/0305n02.htm.
136
Howell, D. C., Yzerbyt, V. et Bestgen, Y. (1998). Méthodes statistiques en sciences humaines. Paris: De Boeck Université.
Hsiao-Lin, T., Chi-Chin, C. et Shyang-Horng, S. (2005). The development of a questionnaire to measure students’ motivation towards science learning. International Journal of Science Education, 27(6), 639-654.
Huffman, D., Goldberg, F. et Michlin, M. (2003). Using computers to create constructivist learning environments: Impact on pedagogy and achievement. Journal of Computers in Mathematics and Science Teaching, 22(2), 151-168.
Hunt, E. et Minstrell, J. (1994). A cognitive approach to the teaching of physics. Dans K. McGilly (Éd.), A cognitive approach to the teaching of physics. Cambridge, MA: MIT Press.
Ip, B., Jacobs, G. et Watkins, A. (2008). Gaming frequency and academic performance. Australasian Journal of Educational Technology.
Jackson, L. A., von Eye, A., Biocca, F. A., Barbatsis, G., Zhao, Y. et Fitzgerald, H. E. (2006). Does home Internet use influence the academic performance of low-income children? Developmental Psychology, 42(3), 429-435.
Jacobs, J. E. et Eccles, J. S. (1985). Gender differences in math ability: the impact of media reports on parents. Educational Researcher, 14(3), 20-25.
Jacobs, J. E., Lanza, S., Osgood, D. W., Eccles, J. S. et Wigfield, A. (2002). Changes in children's self-competence and values: Gender and domain differences across grades one through twelve Child Development (Vol. 73, pp. 509-527).
Karsenti, T. (2003). Plus captivantes qu’un tableau noir : l’impact des nouvelles technologies sur la motivation à l’école. Récupéré le 18 avril 2011 de http://karsenti.scedu.umontreal.ca/pdf/publications/2003/rfsp_6_24.pdf
Karsenti, T. (2011, 11 février). Des ordinateurs portables contre le décrochage. Récupéré de http://www.cyberpresse.ca/le-soleil/actualites/education/201102/22/01-4372951-des-ordinateurs-portables-contre-le-decrochage.php
Karsenti, T., Goyer, S., Villeneuve, S. et Raby, C. (2005). L’impact des technologies de l’information et de la communication (TIC) sur la réussite éducative des garçons à risque de milieux défavorisés. Montréal: Chaire de recherche du Canada sur les technologies de l'information et de la communication (TIC) en éducation, CRIFPE.
Karsenti, T., Goyer, S., Villeneuve, S. et Raby, C. (2007). L'impact des technologies de l'information et de la communication (TIC) sur la réussite éducative des garçons à risque de milieux défavorisés. Montréal, Québec, Canada: Université de Montréal.
137
Kay, R. (2007). Gender Differences in Computer Attitudes, Ability, and Use in the Elementary Classroom. What Works? Research into Practice.
Kenny, D. A. (2009). Mediation. Récupéré le 18 avril 2011 de http://davidakenny.net/cm/mediate.htm
Kent, N. et Facer, K. (2004). Different worlds? A comparison of young people's home and school ICT use. Journal of Computer Assisted Learning, 20(6), 440-455.
Khattree, R. et Naik, D. N. (2000). Multivariate data reduction and discrimination with SAS software. Récupéré de http://www.books24x7.com/marc.asp?bookid=16169Accès réservé UdeM. Accès illimité par adresse IP et mot de passe individuel. Inscription nécessaire avec votre adresse de courriel de l'Université (umontreal.ca), un login et un mot de passe vous seront ensuite acheminés par courriel.
Kline, R. B. (1998). Principles and practice of structural equation modeling. New York: Guilford Press.
Koedinger, K. et Anderson, J. (1999). PUMP algebra project: AI and high school math. Carnegie Mellon University, Human Computer Interaction Institute. Récupéré de http://act.psy.cmu.edu/awpt/awpt-home.html
Kolko, B. E. et Putnam, C. (2009). Computer games in the developing world: The value of non-instrumental engagement with ICTs, or taking play seriously. Communication présentée à la « International Conference on Information and Communication Technologies and Development (ICTD) ».
Kooli, N. (2009). NETendances 2009 : Portrait de l'utilisation d'Internet au Québec. Récupéré de http://grandsorganismes.gouv.qc.ca/upload/cego/editor/asset/D%C3%A9jeuners-conf%C3%A9rences/2010/2010-04-21.pdf
Kubey, R. W., Lavin, M. J. et Barrows, J. R. (2001). Internet use and collegiate academic performance decrements: Early findings. Journal of Communication.
Kuhlemeier, H. et Hemker, B. (2007). The impact of computer use at home on students' Internet skills. Computers & Education, 49(2), 460-480.
Kulik, J. A. (1994). Meta-analytic studies of findings on computer-based instruction. Dans E. L. Baker et H. F. O'Neil (Éds.), Technology assessment in education and training.Hillsdale, NJ: Lawrence Erlbaum.
Laferrière, T. (1999). Avantages des technologies de l'information et des communications (TIC) pour l'enseignement et l'apprentissage dans les classes de la maternelle à la fin du secondaire: Rescol, Industrie Canada.
138
Lafond, D. (2008). Le décrochage scolaire au secondaire: Pourcentages dramatiques et conséquences néfastes. Association Canadienne d'éducation, 48(3), 28-31.
Lapointe, P., Archambault, J. et Chouinard, R. (2008). L'environnement éducatif dans les écoles publiques et la diplomation des élèves de l'île de Montréal: Comité de gestion de la taxe scolaire de l'île de Montréal.
LaVelle, L. B., McFarlane, A. et Brawn, R. (2003). Knowledge transformation through ICT in science education: A case study in teacher-driven curriculum development-case study 1. British Journal of Educational Technology, 34(2), 183-199.
Lee, V. E. et Bryk, A. S. (1986). Effects of single-sex secondary schools on student achievement and attitudes. Journal of Educational Psychology, 78(5), 381-395.
Legendre, R. (2005). Dictionnaire actuel de l'éducation. (3e éd.e éd.). Montréal: Guérin.
Levine, T. et Donitsa-Schmidt, S. (1998). Computer use, confidence, attitudes, and knowledge: A causal analysis. Computers in Human Behavior, 14(1), 125-146.
Li, R.-H. (2005). Exploration and verification of the relationships among achievement goals and learning behavior by structure equation model Journal of Education and Psychology, 28(3), 551.
Limage, Leslie J. (2006). EFA global monitoring report 2006: Literacy for life by EFA global monitoring report team at UNESCO. Comparative Education Review, 50(4),711-714. doi:doi:10.1086/510055 %U http://www.journals.uchicago.edu/doi/abs/10.1086/510055
Lin, H. et Chen, T. (2004). A qualitative study of computer-mediate communication use in foreign language classroom. Communication présentée à la « World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education », Chesapeake, VA.
Linnenbrink-Garcia, L., Durik, A. M., Conley, A. M., Barron, K. E., Tauer, J. M., Karabenick, S. A. et Harackiewicz, J. M. (2010). Measuring situational interest in academic domains. Educational and Psychological Measurement, 70(4), 647-671.
Linnenbrink, E. A. (2005). The dilemma of performance-approach goals: The use of multiple goal contexts to promote students' motivation and learning. Journal of Educational Psychology, 97(2), 197-213.
Linnenbrink, E. A. et Pintrich, P. R. (2001). Multiple goals, multiple contexts: The dynamic interplay between personal goals and contextual goal stresses. Dans S. Volet et S. Jarvela (Éds.), Motivation in learning contexts: Theoretical and methodological implications (pp. 251-269). Amsterdam: Pergamon Press.
139
Linnenbrink, E. A. et Pintrich, P. R. (2003). The role of self-efficacy beliefs in student engagement and learning in the classroom. Reading & Writing Quarterly: Overcoming Learning Difficulties, 19(2), 119-137.
Little, L. (2001). Psy 218 - Third SPSS Tutorial Multiple Comparisons. Récupéré le 27 avril 2010 de http://courses.washington.edu/stat217/218tutorial3.html
Little, T. D., Cunningham, W. A., Shahar, G. et Widaman, K. F. (2002). To parcel or not to parcel: Exploring the question, weighing the merits. Structural Equation Modeling: A Multidisciplinary Journal, 9(2), 151 - 173.
Liu, M. et Hsiao, Y. (2002). Middle school students as multimedia designers: A project-based learning approach. Journal of Interactive Learning Research, 13(4), 311-337.
Loehlin, J. C. (2004). Latent variable models : An introduction to factor, path, and structural equation analysis. (4the éd.). Mahwah, N.J.: L. Erlbaum Associates.
Loiselle, M.-C. (2002, 1 juin). L'informatique et Internet à l'école primaire, pourquoi ?, Le Devoir. Récupéré de http://www.ledevoir.com/societe/science-et-technologie/2265/l-informatique-et-internet-a-l-ecole-primaire-pourquoi
Maerh, M. (1989). Thoughts about motivation. Dans C. Ames et R. Ames (Éds.), Researcch on motivation in education: Goals and cognitions (Vol. 3, pp. pp. 299-315): New York: Academic.
Malamud, O. et Pop-Eleches, C. (2008). The effect of computer use on child outcomes. Récupéré de http://www.aussiepd.com/sites/aussiepd.com/files/pdf/computer.pdf
Malamud, O. et Pop-Eleches, C. (2010). Home computer use and development of human capital. Récupéré de http://harrisschool.uchicago.edu/faculty/pdf/malamud-wp0812revised.pdf
Mallinckrodt, B., Abraham, W. T., Wei, M. et Russell, D. W. (2006). Advances in testing the statistical significance of mediation effects. Journal of Counseling Psychology, 53(3), 372-378.
Marsh, H. W. (1989). Effects of attending single-sex and coeducational high schools on achievement, attitudes, behaviors, and sex differences. Journal of Educational Psychology, 81(1), 70-85.
McCollum, D. L. (2005). Relating students' social and achievement goals. AcademicExchange Quarterly, Spring 2005. Récupéré de http://findarticles.com/p/articles/mi_hb3325/is_1_9/ai_n29182862/
McFarlane, A. et Sakellariou, S. (2002). The role of ICT in science education. CambridgeJournal of Education, 32(2), 219-232.
140
McFarlane, A., Sparrowhawk, A. et Heald, Y. (2002). Report on the educational use of game. Dans TEEM (Éd.). Cambridge: Departement of educational and skills.
Means, B. et Olson, K. (1997). Technology and education reform. Office of Educational Research and Improvement, Contract No. RP91-172010. Récupéré le 18 avril 2011 de http://www2.ed.gov/pubs/SER/Technology/index.html
Medina, E. (2005). Digital Games: A motivational perspective. Communication présentée à la « Digital Games Research Association », Vancouver, Canada.
Meece, J. L. et Holt, K. (1993). A pattern analysis of students' achievement goals. Journalof Educational Psychology, 85, 582-590.
Meece, J. L., Wigfield, A. et Eccles, J. S. (1990). Predictors of math anxiety and its influence on young adolescents' course enrollment intentions and performance in mathematics. Journal of Educational Psychology, 82(1), 60-70.
Ménard, S. (2011a, 14 février 2011). Expérience concluante à Verdun, Le Journal de Montréal. Récupéré de http://lejournaldemontreal.canoe.ca/actualites/national/archives/2011/02/20110213-024700.html
Ménard, S. (2011b, 3 janvier). Nos écoles en retard, Le Journal de Montréal. Récupéré de http://lejournaldemontreal.canoe.ca/actualites/education/archives/2011/01/20110103-055802.html
Middleton, M. J. et Midgley, C. (1997). Avoiding the demonstration of lack of ability: An underexplored aspect of goal theory. Journal of Educational Psychology, 89(4), 710-718.
Midgley, C., Kaplan, A. et Middleton, M. (2001). Performance-approach goals: Good for what, for whom, under what circumstances, and at what cost? Journal of Educational Psychology, 93(1), 77-86.
Miller, D. C., Sen, A. et Malley, L. B. (2007). Comparative indicators of education in the United States and other G-8 countries: 2006 (NCES 2007-006). National Center for Education Statistics, Institute of Education and Sciences, U.S. Departement of Education. Washington, DC.
Mills, N., Pajares, F. et Herron, C. (2007). Self-efficacy of college intermediate french students: Relation to achievement and motivation. Language Learning, 57(3), 417-442. doi:10.1111/j.1467-9922.2007.00421.x
ministère de l'Éducation nationale. (2006). Étude sur les usages des dispositifs TIC dans l'enseignement scolaire (Rapport du MEN / SDTICE STSI C1 la société Pragmae éd.). Paris: Educnet.
141
Mistler-Jackson, M. et Songer, N. B. (2000). Student motivation and Internet technology: Are students empowered to learn science? Journal of Research in Science Teaching, 37(5), 459-479.
Murphy, C. (2003). Literature review in primary science and ICT. Récupéré le 18 avril 2011 de http://www2.futurelab.org.uk/resources/documents/lit_reviews/Primary_Science_Review.pdf
Muthen, B. et Asparouhov. (2010). Bayesian SEM: A more flexible representation of substantive theory. Récupéré de http://statmodel.com/download/BSEMv4.pdf
Nasser, F. et Takahashi, T. (2003). The effect of using item parcels on ad hoc goodness-of-fit indexes in confirmatory factor analysis: An example using Sarason's reactions to tests. Applied Measurement in Education, 16(1), 75 - 97.
National Research Council & Institute of Medecine. (2004). Engaging schools: Fostering high school students' motivation to learn. Washington, DC: National Academy Press.
Netcraft. (2009). Internet research, anti-phishing and PCI security services. Récupéré le 13 mars 2009
Nevitt, J. et Hancock, G. R. (1998). Relative performance of rescaling and resampling approaches to model chi square and parameter standard error estimation in structural equation modeling. Récupéré de http://www.eric.ed.gov/ERICWebPortal/detail?accno=ED420711
New York State Education Department. (2009). Definitions and terminology of educational technology and technology education. Récupéré de http://www.p12.nysed.gov/technology/initiatives/definition.html
Newsom, J. (2006). Post hoc tests. Récupéré le 18 avril 2011 de www.upa.pdx.edu/IOA/newsom/da1/ho_posthoc.doc
Nichols, L. M. (1992). The influence of student computer-ownership and in-home use on achievement in an elementary school computerprogramming curriculum. . Journal of Educational Computing Research, 4, 407-421.
O'Dwyer, L. M., Russell, M. et Bebell, D. (2005). Identifying teacher, school, and district characteristics associated with middle and high school teachers' use of technology: A multilevel perspective. Journal of Educational Computing Research, 33(4), 369-393.
OCDE. (2001). L'école de demain. Les nouvelles technologies à l'école : Apprendre à changer. OCDE. Enseignement et compétences, I-126.
OCDE. (2006). Are students ready for a technology-rich world? What PISA Studies tell us. Paris: OCDE.
142
Ofcom. (2008). Media literac audit: Report on UK children's media literacy. Ofcom.
Oliver, R. et McLoughlin, C. (2001). Exploring the practice and development of generic skills through web-based learning. Journal of Educational Multimedia and Hypermedia, 10(3), 207-225.
Orleans, M. et Laney, M. C. (2000). Children's computer use in the home: Isolation or sociation? Social Science Computer Review, 18(1), 56-72. doi:10.1177/089443930001800104
Osborne, J. et Hennessy, S. (2003). Literature review in science education and the role of ICT: Promise, problems, and future directions. United Kingdom: Futurelab Series.
Page, A. S., Cooper, A. R., Griew, P. et Jago, R. (2010). Children's screen viewing is related to psychological difficulties irrespective of physical activity. Pediatrics, 126(5), e1011-1017. doi:10.1542/peds.2010-1154
Pajares, F. et Miller, M. D. (1994). Role of self-efficacy and self-concept beliefs in mathematical problem solving: A path analysis. Journal of Educational Psychology, 86(2), 193-203.
Pajares, F. E. et Urdan, T. E. (2002). Academic motivation of adolescents. Adolescence and education series (pp. 378). Connecticut.
Papanastasiou, E. (2002). Factors That Differentiate Mathematics Students in Cyprus, Hong Kong, and the USA. Educational Research and Evaluation: An International Journal on Theory and Practice, 8(1), 129-146.
Papanastasiou, E. C. et Ferdig, R. E. (2006). Computer Use and Mathematical Literacy: An Analysis of Existing and Potential Relationships. Journal of Computers in Mathematics and Science Teaching, 25(4), 361-371.
Papanastasiou, E. C., Zembylas, M. et Vrasidas, C. (2003). Can computer use hurt science achievement? The USA results from PISA. Journal of Science Education and Technology.
Passey, D., Rogers, C., Machell, J. et McHugh, G. (2004). The motivationnal effect of ICT on pupils: University of Lancaster.
Paswan, A. (2009, 18 avril, 2011). Confirmatory factor analysis and structural equations modeling: An introduction. Récupéré de http://www.cob.unt.edu/slides/Paswan/BUSI6280/CFA-SEM%20-%20Intro-May%2018%202009.ppt
Pervin, L. A. et John, O. P. (2005). Personnalité : théorie et recherche. Saint-Laurent, QC: ERPI.
143
Phan, H. P. (2010). Empirical model and analysis of mastery and performance-approachgoals: A developmental approach. Educational Psychology: An International Journal of Experimental Educational Psychology, 30(5), 547 - 564.
Piette, J., Pons, C.-M. et Giroux, L. (2006). Les jeunes et Internet: 2006 (Appropriation des nouvelles technologies). Rapport final de l'enquête menée au Québec: Ministère de la Culture et des Communications, Gouvernement du Québec.
Pintrich, P. R., Marx, R. W. et Boyle, R. A. (1993). Beyond cold conceptual change: The role of motivational beliefs and classroom contextual factors in the process of conceptual change. Review of Educational Research, 63(2), 167-199.
Pintrich, P. R. et Schrauben, B. (1992). Students' motivational beliefs and their cognitive engagement in classroom academic tasks. Dans D. H. S. e. J. L. Meece (Éd.), Studentperceptions in the classroom (pp. 149-183). Hillsdale: NJ: Erlbaum.
Pintrich, P. R. et Schunk, D. H. (1996). Motivation in education. NJ: Prentice-Hall.
Pittard, V., Bannister, P. et Dunn, J. (2003). The big pICTure: The impact of ICT on attainment, motivation and learning. Colegate, Norwich, UK: Queen Printer.
Plante, I., Théorêt, M. et Favreau, O. E. (2009). Student gender stereotypes: Contrasting the perceived maleness and femaleness of mathematics and language. EducationalPsychology: An International Journal of Experimental Educational Psychology, 29(4),385 - 405.
Plante, J. et Beattie, D. (2004). Connectivity and ICT integration in canadian elementary and secondary schools: First results from the information and communications technologies in schools survey, 2003/04 Culture, Tourism and the Centre for Education Statistics - Research Papers. Statistic Canada.
Pugh, K. J., Linnenbrink-Garcia, L., Koskey, K. L. K., Stewart, V. C. et Manzey, C. (2010). Motivation, learning, and transformative experience: A study of deep engagement in science. Science Education, 94(1), 1-28. doi:10.1002/sce.20344
Putwain, D. W. et Symes, W. (2011). Achievement goals as mediators of the relationship between competence beliefs and test anxiety. British Journal of Educational Psychology, no-no. doi:10.1111/j.2044-8279.2011.02021.x
Raby, C. (2004). Analyse du cheminement qui a mené des enseignants du primaire à développer une utilisation exemplaire des technologies de l’information et de la communication (TIC) en classe. Université du Québec à Montréal, Montréal, QC.
Ramboll Management. (2006). Elearning Nordic 2006: Impact of ICT on education: Denmark: Ramboll Management.
144
Ravitz, J. et Mergendoller, J. (2002). Technology use and achievement in Idaho schools: A state wide study of schools, teachers and students. Final evaluation report (pp. 52).
Raykov, T. et Marcoulides, G. A. (2000). A first course in structural equation modeling.Mahwah, N.J.: Lawrence Erlbaum Associates.
Renaud, C. A. (1998). A use of computer-assisted instruction in rural science education.Dissertation Abstracts International, 58(4-A), 2590.
Rhemtulla, M., Brosseau-Liard, P. et Savalei, V. (2010). How many categories is enough to treat data as continuous? A comparison of robust continuous and categorical SEM estimation methods under a range of non-ideal situations. Récupéré de http://www2.psych.ubc.ca/~mijke/files/HowManyCategories.pdf
Rideout, V. J., Foehr, U. G. et Roberts, D. F. (2010). Generation M2 : Media in the lives of 8- to 18- year olds. Menlo Park, CA: Kaiser Family Foundation
Russell, T. (1999). The no significant difference phenomenon. . Raleigh, NC: Office of Instructional Communications, North Carolina State University.
Sakiz, G. (2011). Mastery and performance approach goal orientations in relation to academic self-efficacy beliefs and academic help seeking behaviors of college students in Turkey Educational Research, 21(1), 771-778.
Satoshi, K., Shinichi, F., Seinosuke, N. et Ming, Y. (2002). A computer-based english exercise system through pictures using TTS. Communication présentée à la « World Conference on Educational Multimedia Hypermedia and Telecommunication », Chesapeake, VA.
Scardamalia, M. et Bereiter, C. (1994). Computer support for knowledge-building communities. Journal of the Learning Sciences, 3(3), 265-283.
Schaefer, S. et Warren, J. (2004). Teaching computer game design and construction. Computer-Aided Design, 36(2004), 1501-1510.
Schmidt, J. A., Strati, A. D. et Kackar, H. Z. (2010). Similar and different: Comparisons of males’ and females’ achievement, attitudes, interest, and experience in high school science. Communication présenté à la « Society for Research on Adolescence », Philadelphia, PA.
Schmitt, J. et Wadsworth, J. (2004). "Is there an impact of household computer ownership on children's educational attainment in britain?": Centre for Economic Performance Discussion Paper No. 625.
Schraw, G. et Lehman, S. (2001). Situational interest: A review of the literature and directions for future research. Educational Psychology Review, 13, 23-52.
145
Schumacher, P. et Morahan-martin, J. (2001). Gender, Internet and computer attitudes and experiences. Computers in Human Behaviour, 17, 27-35.
Schumacker, R. E. et Lomax, R. G. (2010). A beginner's guide to structural equation modeling. (3rde éd.). New York: Routledge.
Sévigny, D. (2006). Portrait du décrochage scolaire à Montréal. Montréal: Table des partenaires pour la persévérance scolaire à Montréal.
Shapley, K. S., Sheehan, D., Maloney, C. et Caranikas-Walker, F. (2010). Evaluating the implementation fidelity of technology immersion and its relationship with student achievement. Journal of Technology, Learning, and Assessment, 9(4).
Sharif, I. et Sargent, J. D. (2006). Association between television, movie, and video game exposure and school performance. Pediatrics, 118(4), e1061-1070. doi:10.1542/peds.2005-2854
Shashaani, L. (1994). Socioeconomic status, parents' sex-role stereotypes, and the gender gap in computing, . Journal of Research on Computing in Education, 26(4), 443-451.
Shashaani, L. et Khalili, A. (2001). Gender and computers: Similarities and differences in Iranian college students' attitudes toward computers. Computers & Education, 37(3-4), 363-375.
Shields, M. et Tremblay, M. (2007). Profil du temps passé devant un écran par les adultes canadiens Statistique Canada.
Sijtsma, K. (2009). On the use, the misuse, and the very limited usefulness of cronbach's alpha. Psychometrika, 74(1), 107-120.
Simpkins, S. D., Davis-Kean, P. E. et Eccles, J. S. (2006). Math and science motivation: A longitudinal examination of the links between choices and beliefs. Developmental Psychology.
Simpson, R. D. et Oliver, J. S. (1985). Attitude toward science and achievement motivation profiles of male and female science students in grades six through ten. ScienceEducation, 69(4), 511-526.
Smyth, J. M. (2007). Beyond self-selection in video game play: An experimental examination of the consequences of massively multiplayer online role-playing game play. CyberPsychology & Behavior, 10(5), 717-721.
Statistique Canada. (2009). Utilisation des TIC par les ménages. Institut de la statistique du Québec. Récupéré le 18 avril 2011 de http://www.stat.gouv.qc.ca/savoir/indicateurs/tic/menages/index.htm
146
Subrahmanyam, K., Greenfield, P., Kraut, R. et Gross, E. (2001). The impact of computer use on children's and adolescents' development. Journal of Applied Developmental Psychology, 22(1), 7-30. doi:Doi: 10.1016/s0193-3973(00)00063-0
Subrahmanyam, K., Kraut, R. E., Greenfield, P. M. et Gross, E. F. (2000). The impact of home computer use on children's activities and development. Future of Children, 10(2), 123-144.
Tabachnik, B. G. et Fidell, L. S. (2007). Using multivariate statistics. (5e éd.). New York.
Tømte, C. et Hatlevik, O. E. (2011). Gender-differences in self-efficacy ICT related to various ICT-user profiles in Finland and Norway. How do self-efficacy, gender and ICT-user profiles relate to findings from PISA 2006. Computers & Education, 57(1), 1416-1424.
Tracy, L.-J., Raelene, K., Pamela Van der, R., Michael, H., Ashley, K., Sharon, B. et Yoni, L. (2009). Exploring the information and communication technology competence and confidence of nursing students and their perception of its relevance to clinical practice. Nurse education today, 29(6), 612-616.
Trucano, M. (2005). Knowledge maps: ICTs in education. Washington, DC: infoDev / World Bank.
Turkle, S. (1984). The second self: Computers and the human spirit. New York: Simon and Schuster.
Urdan, T. et Turner, J. C. (2005). Competence motivation in the classroom. Dans A. J. Elliot et C. S. Dweck (Éds.), Handbook of competence and motivation (pp. xvi, 704). New York: Guilford Press.
Urdan, T. E. (1997). Achievement goal theory: Past results, future directions. Dans P. R. Pintrich et M. L. Maehr (Éds.), Advances in Motivation and Achievement (pp. 99-142). Greenwich.
Valentine, G., Marsh, J. et Pattie, C. (2005). Children and young people's home use of ICT for educational purposes: The impact on attainment at key stages 1-4. Dfes Research.
Vazquez-Abad, J., Chouinard, R., Rahm, I., Roy, N. et Vézina, M. (2005). L’incidence d’une approche de l’apprentissage des sciences basée sur la collaboration médiatisée sur la motivation des filles et des garçons de milieux défavorisés: Fonds québécois de recherche sur la société et la culture (FQRSC).
Veenhof, B., Clermont, Y. et Sciadas, G. (2005). Littératie et technologies numériques: liens et résultats. Division des sciences, de l'innovation et de l'information électronique (DSIIE). Ottawa: Statistique Canada.
147
Vezeau, C. et Bouffard, T. (2002). Relation entre la théorie implicite de l'intelligence et les buts d'apprentissage chez des élèves du secondaire. Revue des sciences de l'éducation, XXVIII(3), 675-692.
Vezeau, C., Bouffard, T., Bordeleau, L., Chouinard, R., Filion, C. et Romano, G. (1998). Elaboration et validation du questionnaire des buts en contexte scolaire (QBCS). Canadian Journal of Behavioural Science, 30(3), 203.
Viau, R. (1994). La motivation en contexte scolaire. Saint-Laurent, Québec: Éditions du Renouveau pédagogique.
Vigdor, J. L. et Ladd, H. F. (2010). Scaling the digital divide: Home computer technology and student achievement. National Bureau of Economic Research Working Paper Series, No. 16078.
Wainer, J., Dwyer, T., Dutra, R., Covic, a., Magalhaes, V., Ferreira, L., Pimenta, V., et al. (2008). Too much computer and Internet use is bad for your grades, especially if you are young and poor: Results from the 2001 Brazilian SAEB. Computers & Education, 51, 1417-1429.
Walker, C. O. et Greene, B. A. (2009). The relations between student motivational beliefs and cognitive engagement in high school. Journal of Educational Research, 102(6),463-472.
Walsh, K. A. (2008). The relationships among mathematics anxiety, beliefs about mathematics, mathematics self-efficacy, and mathematics performance in associate degree nursing students. Nursing Education Perspectives, 29(4), 226-229.
Wang, C. K. J., Liu, W. C., Lochbaum, M. R. et Stevenson, S. J. (2009). Sport ability beliefs, 2 x 2 achievement goals, and intrinsic motivation: The moderating role of perceived competence in sport and exercise. Research Quarterly for Exercise and Sport, 80(2), 303-312.
Weinburgh, M. (1995). Gender differences in student attitudes toward science: A meta-analysis of the literature from 1970 to 1991. Journal of Research in Science Teaching.
Weller, H. et Chiavacci, J. (1999). Using the WWW to guide science inquiry lessons: Barriers and solutions to creating webQuests in elementary/middle school.Communication présentée à la « WebNet World Conference on the WWW and Internet », Honolulu, Hawaii.
Wenglinsky, H. (1998). Does it compute? The relationship between educational technology and student achievement in mathematics (pp. 41).
White, B. Y. et Frederiksen, J. R. (1998). Inquiry, modeling, and metacognition: Making science accessible to all students. Cognition and Instruction, 16(1), 103-118.
148
Whitley, B. E. (1997). Gender differences in computer-related attitudes and behavior: A meta-analysis. Computers in Human Behavior, 13(1), 1-22.
Wigfield, A. et Eccles, J. S. (1992). The development of achievement task values: A theorical analysis. Developmental Review, 12(3), 265-310.
Wigfield, A. et Meece, J. L. (1988). Math anxiety in elementary and secondary school students. Journal of Educational Psychology, 80(2), 210-216.
Williams, C. (1998). Statistics 401: Statistical Analysis. Récupéré le 18 avril 2011 de http://www.webpages.uidaho.edu/~chrisw/stat401/anova3s.pdf
Wittwer, J. et Senkbeil, M. (2008). Is students’ computer use at home related to their mathematical performance at school? Computer & Education, 50, 1558-1571.
Wu, C.-H. (2007). An empirical study on the transformation of likert-scale data to numerical scores. Applied Mathematical Sciences, 1(58), 2851-2862.
Yen, J. (1999). Pedagogical possibilities of email communication. Communication présentée à la « WebNet World Conference on the WWW and Internet », Chesapake, VA.
Yuan, K.-H., Bentler, P. M. et Kano, Y. (1997). On averaging variables in a confirmatory factor analysis model. Behaviormetrika, 24(1), 71-83.
Zappe, S. M., Sonak, B. C., Hunter, M. W. et Suen, H. K. (2002). The effects of a web-based information feedback system on academic achievement motivation and performance of junior high school students (pp. 23).
Zhong, Z.-J. (2011). From access to usage: The divide of self-reported digital skills among adolescents. Computers & Education, 56(3), 736-746.
xiii
Annexe I : Formulaire éthique
xiv
Annexe II : Consentement parental
Cher(s) parent(s),
La classe de votre enfant a été choisie pour participer à une recherche universitaire. Ce projet de recherche s'inscrit principalement dans le cadre de la mise en œuvre de la réforme au secondaire et vise les priorités suivantes : adapter les stratégies pédagogiques et organisationnelles selon le sexe des élèves; proposer des mesures de soutien à l’intention des élèves de milieux défavorisés; aider les élèves à s’orienter dans leur cheminement scolaire et leur choix de carrière. Son objectif principal est d’évaluer les effets sur la motivation et le rendement des élèves de 1er cycle du secondaire d’un modèle d’enseignement des sciences basé sur la collaboration médiatisée (travail d’équipe par Internet). Cette recherche sera conduite par les professeurs Jesus Vazquez-Abad, Roch Chouinard et Jrene Rahm de l’Université de Montréal. Elle consistera à passer un questionnaire qui évaluera entre autre l’impact d’un programme d’enseignement des sciences basé sur la coopération, la résolution de problèmes et l’utilisation des TIC sur les perceptions de soi et la valeur accordée à cette discipline; évaluer l’impact du programme sur la compétence à utiliser le raisonnement scientifique; évaluer l’impact du programme sur l’attrait pour un cheminement scolaire et professionnel faisant appel aux sciences fondamentales et appliquées. Ce questionnaire prend environ 75 minutes à remplir. Il sera administré à l’école, trois fois durant l’année scolaire. Les résultats de cette étude, subventionnée par des fonds de recherche gouvernementaux, devraient entre autres permettre de mieux comprendre la question de la réussite des filles et des garçons en science et technologie. À cet effet, la participation de votre enfant est importante et nous vous demandons votre collaboration. Nous vous remercions de l’attention portée à la présente demande.
FORMULAIRE DE CONSENTEMENT PARENTAL
Je consens Je ne consens pas
à ce que mon enfant _____________________________________ ( nom et prénom de l’enfant ) participe à la recherche sur la motivation scolaire dirigée par le professeur Jesus Vazquez-Abad.
Je consens Je ne consens pas
à ce que mon enfant prenne une photo numérique de lui-même pour l’afficher sur la plateforme collaborative (site web accessible seulement par les participants au projet) en vue de créer des liens avec les membres de son équipe de travail.
Je comprends que la participation de mon enfant à cette étude se limite à remplir en classe un court questionnaire et ce, trois fois durant l’année. Par ailleurs, les chercheurs auront accès aux notes finales de science et technologie de mon enfant. Je comprends aussi que les données concernant mon enfant demeureront confidentielles et que le nom de ce dernier ne sera jamais divulgué. Mon enfant pourra aussi se retirer de la recherche à n’importe quel moment, sans encourir aucun préjudice.
________________________________ ________________________ __________ Nom et prénom de la mère, du père Signature Date ou tuteur légal(en lettres carrées)
xv
Annexe III : Dictionnaire des variables6
Sentiment de compétence7
a1 Que le contenu des cours de sciences soit difficile ou facile, je suis certain que je peux le comprendre.
a8 Je ne suis pas sûr de pouvoir comprendre des concepts scientifiques difficiles.* a13 Je suis certain que je peux bien réussir mes examens de sciences. a17 Peu importe la quantité d’efforts que je fournis, je ne peux pas apprendre les
sciences.*a21 Lorsque les activités des cours de sciences sont trop difficiles, j’abandonne ou je fais
seulement les parties faciles.* a24 Pendant les activités de sciences, je préfère demander la réponse aux autres plutôt que
de la trouver moi-même.* a28 Lorsque je trouve le contenu d’un cours de sciences difficile, je n’essaie pas de
l’apprendre.*a59 Je préfère qu'on me donne la solution d'un problème de sciences difficile plutôt que
d'avoir à la trouver par moi-même. *
L’anxiété
a52 Je me sens tendu/e ou mal à l’aise quand quelqu'un me parle de sciences. a56 J’ai mal au cœur quand j'entends le mot « sciences ».
a67 Je me sens à l'aise dans les cours de sciences.*
a74Ça ne me dérange pas ou ne me fait pas sentir mal à l’aise de faire des activités (devoirs, travaux, etc.) de sciences.*
a80 Ça me rend nerveux/se seulement de penser que je dois faire des sciences.
a85 Ça me fait peur de devoir prendre des cours de sciences.
Buts de maîtrise-approche8
a4 Je veux terminer ce cours de sciences en ayant le sentiment d'avoir appris de nouvelles choses.
6 Les items surlignés ont été retirés suite aux analyses factorielles exploratoires. L’astérisque indique les items inversés. 7 Simpson, R. D., et Oliver, J. S. (1985). Attitude toward science and achievement motivation profiles of male and female science students in grades six through ten. Science Education, 69(4), 511-526.8 Échelle produite et validée par Bouffard, Vezeau, Romano, Chouinard, Bordeleau et Filion (1998).
xvi
a34 Je trouve important d'améliorer mes compétences en sciences.
a39 En sciences, j'aime les tâches difficiles si elles me permettent d'acquérir de nouvelles connaissances.
a45 En sciences, je suis prêt à travailler fort pour apprendre de nouvelles choses.
a54 En sciences, je veux apprendre le plus de choses possible.
a58 Il est important pour moi de bien maîtriser les connaissances et les compétences qu’on est supposé apprendre en sciences.
a63 Ce qui est d’abord important pour moi en sciences, c’est d’apprendre des choses nouvelles.
Buts de performance-approche2
a66 Ce qui est d’abord important pour moi en sciences, c'est d'avoir des notes élevées.
a71 C'est important pour moi de faire mieux que les autres en sciences.
a75 En sciences, je suis en compétition avec les autres élèves pour obtenir des notes élevées.
a79 En sciences, je suis d’abord préoccupé par les notes que j’aurai.
a83 En sciences, je vise simplement à obtenir la note de passage.9
a87 Ça m'est égal de ne pas être parmi ceux qui ont les meilleures notes en sciences.*
Buts d’évitement du travail10
a5 En sciences, je fais de mon mieux même lorsque le travail demandé ne compte pas dans la note.11
a10 En sciences, il m’arrive de faire du travail facultatif.*
a16 Il m'arrive de faire du travail supplémentaire afin de mieux comprendre la matière de mon cours de sciences.*
a19 En sciences, je consacre le moins de temps possible aux activités qui ne comptent pas dans la note.
9 Suite aux analyses factorielles exploratoires, l’item a été considéré avec l’échelle des buts d’évitement du travail. 10 Échelle produite et validée par Bouffard, Vezeau, Romano, Chouinard, Bordeleau et Filion (1998). 11 Suite aux analyses factorielles exploratoires, l’item a été considéré avec l’échelle des buts de maîtrise-approche.
xvii
a42 En sciences, je fais seulement ce qui est vraiment obligatoire.
a44 En sciences, je fais seulement ce qui est nécessaire pour éviter l'échec.
L’intérêt pour les sciences12
a53 Les sciences sont une des matières que j'aime le plus.
a62 J'aime écouter des émissions de télévision qui parlent de sciences.
a68 J'aime parler des sciences avec d'autres personnes.
a78 Je n'aime rien dans les sciences. *
a82 Je trouve amusant de faire des activités pratiques ou de laboratoire en sciences.
a86 Je voudrais passer moins de temps à étudier les sciences à l'école. *
a91 J'aime beaucoup les sciences.
L’engagement général en science13
a11 Si on termine un cours de sciences sans avoir trouvé la réponse à une question, je
continue à y réfléchir par la suite.
a27 Lorsque que je n'arrive pas à résoudre immédiatement un problème de sciences, je
n'abandonne pas avant d'avoir trouvé la solution.
a30 Les problèmes de sciences que je ne comprends pas immédiatement représentent un
défi pour moi.
a43 Lorsque j’apprends de nouvelles choses en sciences, j’essaie de faire des liens entre
les différents éléments du contenu.
a50 Lorsque j’ai fait une erreur en sciences, je cherche à comprendre pourquoi.
12 (Hsiao-Lin et al., 2005)13 Échelle tirée de deux articles (Hsiao-Lin et al., 2005; Vezeau et al., 1998)
xviii
Annexe IV : Questionnaire sur les habitudes technologiques 14
14 Tiré et adapté de Karsenti (2005)
